الشبكات العصبية المُستخلصة للتعلم الفعّال الترتيب

أظهرت الدراسات الحديثة في مجال تعلم الترتيب إمكانية استخلاص شبكة عصبية فعالة من مجموعة من أشجار الانحدار التكراري. وقد أدى هذا الناتج إلى جعل الشبكات العصبية منافسًا طبيعيًا لمحاكيات أشجار الانحدار في مهام الترتيب. ومع ذلك، تتفوق محاكيات أشجار الانحدار التكراري على النماذج العصبية من حيث الكفاءة والفعالية، خصوصًا عند التصنيف على وحدة المعالجة المركزية (CPU). في هذه الورقة، نقترح منهجية لتسريع زمن التصنيف العصبي من خلال دمج تقنيات الاستخلاص (Distillation)، والتقليم (Pruning)، والضرب المصفوفي السريع. نستخدم استخلاص المعرفة لاستخلاص شبكات عصبية رقيقة من مجموعة من أشجار الانحدار التكراري. ثم نستفيد من تقنية تقليم موجهة نحو الكفاءة، التي تقوم بتجريد الطبقات الأكثر استهلاكًا للحساب في الشبكة العصبية، والتي تُصنف بعد ذلك باستخدام ضرب مصفوفي نادر مُحسَّن. علاوةً على ذلك، من خلال دراسة كلاً من ضرب المصفوفات الكثيفة والنادرة عالية الأداء، نطور نموذجًا لتنبؤ بزمن التصنيف، مما يساعد في تصميم هياكل شبكات عصبية تتوافق مع متطلبات الكفاءة المطلوبة. أظهرت التجارب الشاملة على مجموعتي بيانات علامة تعلم الترتيب العامتين أن الشبكات العصبية المُنتجة باستخدام منهجيتنا الجديدة تنافس محاكيات أشجار الانحدار التكراري في أي نقطة على منحنى التوازن بين الفعالية والكفاءة، مع تحقيق تسريع في زمن التصنيف يصل إلى 4 أضعاف دون التأثير على جودة الترتيب.