محققان در مقالهای جدید، روشهای تست و اعتبارسنجی هستههای تنسور (Tensor Kernels) را بررسی کردند تا بفهمند کدام استراتژی برای پیدا کردن باگها در مدلهای هوش مصنوعی موثرتر است.
نکته جالب اینجاست که استفاده از «نمونهبرداری مرزی» (Boundary-only shape sampling) نه تنها باعث شناسایی دقیقتر باگها میشود، بلکه نرخ خطاهای کاذب (FP) را در تستهای کنترلی به صفر میرساند. این پژوهش نشان میدهد که برای ساخت مدلهای پایدارتر و قابلاعتمادتر، نحوه انتخاب دادههای ورودی در زمان تست چقدر حیاتی است.
این تحقیق گامی مهم برای توسعهدهندگانی است که روی لایههای زیرین و محاسباتی هوش مصنوعی کار میکنند. 🚀
منبع: arXiv Machine Learning