هل تُشكّل مُدرجات التمرير المباشر (Straight-Through) والتقريب الناعم للحد (Soft-Thresholding) كل ما هو مطلوب لتدريب النموذج الكثيف؟

إعادة ضبط الأوزان إلى الصفر أثناء تدريب شبكة عصبية يُسهم في تقليل التعقيد الحسابي أثناء الاستدلال. ولزيادة نسبة الندرة (sparsity) تدريجيًا في الشبكة دون التسبب في انقطاعات حادة في الأوزان أثناء التدريب، تدمج دراستنا بين التقطيع الناعم (soft-thresholding) وتقدير التدرج المباشر (straight-through gradient estimation) لتحديث النسخة الأصلية، أي غير المقطوعة، للأوزان التي تم ضبطها إلى الصفر. وتحصل طريقة التدريب هذه، التي أُطلِق عليها اسم ST-3 (بالإنجليزية: straight-through/soft-thresholding/sparse-training)، على نتائج منافسة للحالة المتطورة (SoA) من حيث التوازن بين الدقة ونسبة الندرة، وكذلك بين الدقة وعدد العمليات الحسابية (FLOPS)، عند زيادة نسبة الندرة تدريجيًا خلال دورة تدريب واحدة. وبشكل خاص، وبالرغم من بساطتها، تُظهر ST-3 مقارنة مواتية مع أحدث الطرق التي تعتمد صيغًا قابلة للتفاضل أو مبادئ تشبه التكيف العصبي الحيوي (neuroregeneration). ويُشير ذلك إلى أن العناصر الأساسية لتحسين عملية التخفيف (sparsification) تكمن في القدرة على منح الأوزان الحرية للتطور بسلاسة عبر الحالة الصفرية أثناء زيادة نسبة الندرة تدريجيًا. يمكن الوصول إلى الشفرة المصدرية والأوزان من خلال الرابط: https://github.com/vanderschuea/stthree