مع تقدم نماذج الذكاء الاصطناعي وقدرتها على تحقيق إنجازات ملحوظة عبر مجالات متعددة، يصبح من المهم جداً فهم كيفية تعلمها للتمثيلات وكيفية ترميزها للمفاهيم. في السنوات الأخيرة، أظهرت الدراسات في مجال تفسير الآليات أن الشبكات العصبية تمثل مفاهيم ذات دلالات معنوية كاتجاهات خطية في فضاء تمثيلاتها، وتقوم بترميز مفاهيم متعددة في تراكب معقد.

تستخدم أساليب تعلم القوام القائم على التوزيع (Sparse Dictionary Learning) مثل مشفرات التراكيب (Sparse Autoencoders) والمشفرات المضاعفة (Transcoders) لمعالجة هذه التحديات عبر تدريب نماذج مساعدة مع قيود على التباين لفصل هذه المفاهيم المتراكبة إلى ميزات أحادية الدلالة. تعتبر هذه الأساليب العمود الفقري لفهم العمليات الحديثة، ولكنها حتى الآن تنتج ميزات متعددة الدلالة وامتصاص الميزات ونيورونات ميتة، مع وجود فهم نظري محدود للتفسيرات وراء حدوث هذه الظواهر.

تقتصر الأعمال النظرية الحالية على مشفرات التراكيب ذات الوزن المربوط، مما يترك العائلة الأوسع من أساليب تعلم القوام دون أسس رسمية. في دراستنا، نقوم بتطوير أول إطار نظري موحد يعرض جميع أشكال SDL الرئيسية كمشكلة تحسين بكونفكسية جزئية، ونحدد مجموعة حلولها العالمية، وعدم قابلية التعرف عليها، والحد الأدنى الزائف.

تقدم هذه التحليلات تفسيرات مبدئية لامتصاص الميزات والنورونات الميتة. ولتسليط الضوء على هذه الظواهر، نقدم Bench Linear Representation. مسترشدين بنظريتنا، نقترح تقنية جديدة تعرف بإرساء الميزات (Feature Anchoring) التي تعيد قابلية التعرف على SDL، مما يحسن بشكل كبير استعادة الميزات عبر المعايير الاصطناعية وتمثيلات الشبكة العصبية الحقيقية.