تُعد خوارزميات العتبة الصعبة (Hard-thresholding) واحدة من أبرز التقنيات المستخدمة في مجال التعلم الآلي، حيث تُعالج مشاكل الأمثلية المقيدة بـ <0>. ومع ذلك، يواجه الباحثون تحديات كبيرة عند التعامل مع التدرجات الحقيقية لدوال الأهداف، خاصة عندما تصعب الوصول إليها. وهذا ما يجعل الطرق من الدرجة الصفراء (Zero-Order Methods) بديلاً جذابًا، حيث تتيح الاستفادة من التدرجات التقريبية.

تُعد خوارزمية SZOHT الحالية هي الوحيدة التي تتعامل مع قيود التشتت <0> من خلال استخدام تدرجات الدرجة صفر، إلا أن لها قيودًا ملحوظة تتمثل في عدد الاتجاهات العشوائية المسموح بها. يعود هذا التقييد إلى التعارض الذي ينشأ بين انحراف التدرجات من الدرجة صفر واتساع مشغل العتبة الصعبة.

في دراسة جديدة، يتناول الباحثون هذا التحدي ويقدمون رؤى جديدة حول تقليل التباين، حيث يوفرون حلولاً للحد من الصراعات بين تدرجات الدرجة صفر والعتبة الصعبة. يطرح هذا البحث خوارزمية جديدة لتقليل التباين، مما يسمح بتجاوز القيود السابقة وزيادة معدلات التقارب، مما يسهل تطبيقات أوسع في مجالات متعددة.

تظهر النتائج النظرية أن الخوارزمية الجديدة تتيح استخدام عدد أكبر من الاتجاهات العشوائية، مما يعزز فعالية التقارب بالمقارنة مع SZOHT. وتظهر التجارب العملية كيف يمكن أن تُستخدم هذه الطريقة في حل مشاكل الانحدار والتصدي للاعتداءات الخبيثة.

ما الجديد في هذه الاكتشافات؟ كيف يمكن أن تؤثر على مجالات مثل الذكاء الاصطناعي والتنقيب عن البيانات؟ تابعونا لنوافيكم بكل الجديد!