یکی از چالشهای بزرگ در مدلهای یادگیری عمیق، «حدود تعمیمدهی» (Generalization Bounds) است که اغلب در عمل بسیار مبهم یا غیرقابل محاسبه هستند. اما در یک مقاله جدید، محققان با معرفی «گواهیهای مبتنی بر اختلاف» (Disagreement-based certificates)، راهی پیدا کردهاند که بدون تغییر در ساختار مدل اصلی یا روند آموزش، بتوانند ریسک واقعی مدل را با استفاده از مدلهای جایگزین (Surrogate) به شکلی دقیقتر ارزیابی کنند.
این روش از تکنیکهای قدرتمندی مثل فشردهسازی مدل و نظریه PAC-Bayes برای ارائه تضمینهای ریاضی استفاده میکند که میتواند در آینده به پایداری بیشتر مدلهای هوش مصنوعی کمک کند.
منبع: arXiv Machine Learning