في عالم الذكاء الاصطناعي، يمثل استرجاع CLIP (Contrastive Language-Image Pretraining) أحد الإنجازات الرائعة التي تمثل خطوة محورية نحو فهم أفضل للعلاقة بين النصوص والصور. لكن، كما تشير الأبحاث، رغم نجاح CLIP في تحقيق توافق شامل بين الأنماط المختلفة، إلا أن العديد من المشكلات تكمن في عدم اتساق الأبعاد الهندسية المحلية.

تعتبر طريقة استرجاع CLIP غالبًا مسألة مشابهة لنقاط ضمن فضاء تمثيلي مشترك، مما يعني أن العديد من الأخطاء في الاسترجاع تنشأ عندما يتم ترتيب العناصر القريبة بشكل غير صحيح. هذا يؤدي إلى فقدان الاتصال الدقيق بين العناصر، مما يُسبب ارتباكات منهجية، مثل الخلط بين الشكل الخماسي والسداسي، وينتج عنه مجموعات ضعيفة التضبيط.

تقدم الدراسة الحالية أسلوبًا مبتكرًا يتجاوز الطرق التقليدية التي تركز على تحسين الصلة النقطية أو إعادة تدريب النموذج لتخفيف هذه المشكلات. من خلال اعتبار الاسترجاع كمشكلة توافق الجوار، يتم تقديم تقنيتين رئيسيتين تحسّن الأداء التالي:

1. **إعادة ترتيب الجوار على مستوى الجوار عبر المطابقة الهنغارية**: تعزز هذه الطريقة الاتساق الهيكلي للعناصر، حيث تساعد في مكافأة التطابق الصحيح بين العناصر القريبة.

2. **توجيه محلي مشروط بالاستعلام**: تعتمد هذه التقنية على الإشارات المستمدة من الجوار التنافسي حول الاستعلام، مما يساعد في إعادة تشكيل عملية الاسترجاع لتعكس النتائج المطلوبة بدقة أكبر.

تظهر التجارب أن هذه الأساليب تعزز الأداء في مهام استرجاع الخصائص والتركيبات. فما يميز هذا النهج هو أنه يعتمد على الهيكل المحلي للعناصر بدلاً من الاعتماد فقط على الترتيبات العالمية، مما له آثار إيجابية على جودة الاسترجاع وقابليته للتحكم.

في ضوء هذه النتائج، تتعزز الرؤية التقليدية للاسترجاع، مما يعني أنه يمكن استغلال الهيكل المحلي في وقت الاستنتاج دون الحاجة إلى إعادة تدريب النموذج بالكامل. هذه الخطوة تمثل تقدماً هائلاً نحو تحسين قدرات الذكاء الاصطناعي في معالجة واسترجاع المعلومات بكفاءة أعلى.