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

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

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

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

ما الجديد في هذه الاكتشافات؟ كيف يمكن أن تؤثر على مجالات مثل [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) والتنقيب عن [البيانات](/tag/البيانات)؟ تابعونا لنوافيكم بكل الجديد!