في هذا البحث المتقدم المقدم على منصة arXiv، تم تناول مسألة مهمة تتعلق بترتيب حذف الطلبات في بيئات التعلم الآلي. عندما تكون لدينا مجموعة ثابتة من الطلبات للحذف، فإن إعادة تدريب النموذج من الصفر بعد كل طلب تثبت كلفتها العالية؛ لذا، تم اقتراح سياسة معالجة تسلسلية للطلبات. ولكن هناك سؤال مهم: كيف يؤثر ترتيب معالجة الطلبات على النموذج النهائي؟ بدلاً من فرض قاعدة لترتيب الطلبات، قام الباحثون بدراسة الهدف الناتج عن السياسة المحددة، وسألوا متى يمكن لهذا الهدف أن يكتسب بنية أبسط.

تم تحديد نوعين من التخفيضات المستقلة. الأول، إضافة المواقع، يعبر عن الهدف من خلال تكاليف الطلبات المرتبطة بالمواقع، مما يقلل من مشكلة التحسين إلى مسألة تعيين. الثاني، توطين اللاحقة، يزيل الاعتماد على الجزء البعيد من التسلسل بينما يحتفظ بالتفاعلات بين الطلبات المتبقية. بفضل التحديثات المشتركة، تم التعرف على التفاعلات التربيعية التي تعيق الإضافة، وتم إثبات استقلال التخفيضات وعرض أن التعيين المشروط على اللاحقة يحسن من معدل التقريب.

عبر تنفيذ مجموعة من التجارب، تم استعادة كل من البنى في الأهداف المنفذة. أظهرت عمليات تجريبية استخدام أساليب دائمة أخرى أن قوة التقلص تؤدي إلى انتقال الأهداف نحو اعتمادية أقصر وأكثر تخصصًا، بينما تتسم السياسات بالشبكة الكاملة بهياكل موضعية وداخلية مختلفة.

تتمثل النتائج النهائية في إعادة صياغة ترتيب الحذف كما لو كان تحديدًا للبنية الحاسوبية المقترحة من عمليات التحديث المنفذة. هذا البحث يسهم إذًا في تعزيز مفاهيم التعلم الآلي من خلال توضيح العلاقة بين تصميم النموذج والكفاءة النسبية.