لقد أصبح التحقق من الشبكات العصبية (Neural Network Verification) أحد الموضوعات الساخنة في أبحاث الذكاء الاصطناعي، حيث يمثل تحديًا يتطلب توازنًا دقيقًا بين الأداء والدقة. في دراسة جديدة، تم تسليط الضوء على تكلفة 'الاسترخاء' التي تعني استخدام أساليب محدبة لتحسين الأداء على حساب الدقة.

تعمل معظم نظم التحقق على تمثيل العلاقة بين مدخلات ومخرجات الشبكة كبرنامج قيود. توفر هذه التمثيلات الدقيقة والموثوقة قيودًا عددية لمحاكاة نشاط الخلايا العصبية. ومع ذلك، فإن الأبحاث الأخيرة تشير إلى أن 'التخفيفات المحدبة' التي تعتبر نهجًا جديدًا قد تؤدي إلى زيادة فورية في الأداء، لكنها تأتي بتكلفة كبيرة: دقة النتائج.

تشير الدراسات إلى أن التخفيفات المحدبة قد تأخذ في الاعتبار مخرجات لا يمكن الوصول إليها من قبل الشبكة الأصلية، مما يؤدي إلى انحرافات شديدة في النتائج. بحثنا في أسوأ حالات الانحراف بين الشبكة الأصلية وتخفيفاتها المحدبة، سواء من الناحية النوعية أو الكمية. وقد قدمنا حدودًا تحليلية عليا ودنيا لمسافة λ_∞ بين المخرجات الكاملة المسترخية والصحيحة.

الأبحاث أظهرت أن هذه المسافة تنمو بشكل أسّي مع عمق الشبكة، وبشكل خطي مع نصف قطر المدخلات. كما أظهرت أيضاً أن احتمال الخطأ في التصنيف يتبع سلوكاً مشابهًا للسلم بالنسبة لنصف قطر المدخلات، مما يشير إلى أن الأداء الجيد قد يؤدي أحيانًا إلى زيادة مخاطر النتائج غير الدقيقة.

الدراسة المعتمدة على تجارب على مجموعات بيانات MNIST وFashion MNIST وشبكات عشوائية تسلط الضوء على هذه النتائج المثيرة، مما يدعو المجتمع البحثي لتبني أساليب أكثر دقة في التعامل مع التحقق من الشبكات العصبية. هل ستستمر أدوات التحقق في اتباع نهج الاسترخاء، أم أن هناك حاجة لمقاربة أكثر دقة؟