محققان در مقاله جدیدی به چالش «هزینههای بالای محاسباتی» در آموزش مدلهای هوش مصنوعی روی دادههای حجیم پرداختند. آنها روشی به نام SCOSS معرفی کردهاند که با انتخاب هوشمندانه زیرمجموعههایی از دادهها (Coreset Selection) و استفاده از یادگیری گروهی (Ensemble Aggregation)، دقت و سرعت آموزش مدلها را به تعادل میرساند.
این متد که به ویژه برای مدلهای گراف (SGC) و ماشین بردار پشتیبان (SVM) بسیار موثر است، به توسعهدهندگان اجازه میدهد با استفاده از نمونههای کمتر، نتایج دقیقتری بگیرند. این خبر خوبی برای کسانی است که به دنبال کاهش زمان و هزینه در پروژههای پردازش تصویر هستند.
🔗 کد پروژه: http://scoss.lucasvalem.com
منبع: arXiv AI