قفزة في الذكاء الاصطناعي: ثورة جديدة في عمليات نسيان البيانات Machine Unlearning

في عالم الذكاء الاصطناعي، يمثل "نسيان البيانات" (Machine Unlearning) أحد التحديات الكبرى، حيث يسعى الباحثون إلى إزالة تأثير بيانات معينة دون المساس بكفاءة النماذج المعتمدة على بيانات أخرى. لكن الأمور تزداد تعقيدًا عندما تأتي طلبات حذف البيانات بشكل متتابع، مما يتطلب من النماذج التكيف المستمر مع الحفاظ على المعلومات السابقة.

تقنية "التكيف المنخفض الرتبة" (Low-Rank Adaptation - LoRA) تُعتبر واحدة من الحلول الواعدة لتحقيق هذا الهدف، لكن الجمع بين عدة وحدات LoRA بشكل عشوائي قد يؤدي إلى تصادم في المعلمات، مما يتسبب في "تداخل قوي" بين المهام.

لذلك، تم اقتراح طريقة بديلة تعتمد على إسقاط الفضاء العمودي الموجه بواسطة تحليل القيمة الفردية (Singular Value Decomposition - SVD). تهدف تلك الطريقة إلى توجيه كل تحديث جديد من LoRA أثناء التدريب ليكون ضمن التكامل العمودي لفضاء المهام السابقة، مما يحافظ على عزلة المهام دون الحاجة إلى توجيه ديناميكي عند التنفيذ.

أظهرت التجارب على مجموعة بيانات CIFAR-100 مع نموذج ResNet-20 وعلى مجموعة MNIST سلوكًا مستقرًا عبر سلسلة طويلة من مهام النسيان. فقد أظهرت النتائج أن الدمج الثابت الحديث قلل من دقة الاحتفاظ من 60.39% إلى 12.70% بعد 30 مهمة نسيان متتالية. بينما حافظت الطريقة المقترحة على الأداء الأساسي المحقق عند حوالي 58.1%، مع الحفاظ على فعالية قوية في نسيان البيانات.

بهذا، يعزز هذا البحث الفهم لدينا لكيفية إدارة البيانات بشكل أكثر فعالية في بيئات الذكاء الاصطناعي، مما يبشر بمزيد من التقدم في المستقبل.