محققان در پژوهشی جدید به سراغ چالشی رفتند که همه توسعهدهندگان با آن درگیرند: «تغییر توزیع دادهها در طول زمان» (Temporal Distribution Shift).
در این مطالعه، تفاوت عملکرد معماریهای مختلف (از شبکههای ساده تا ترنسفورمرها) بررسی شده است. نتیجه جالب اینکه: مدلهایی که روی جزئیات دقیق و محلی متمرکز هستند، در ابتدا دقت بالایی دارند اما با گذشت زمان سریعتر افت میکنند. در مقابل، مدلهایی که یاد میگیرند از ویژگیهای کلیتر و پایدارتر استفاده کنند، در گذر زمان عملکرد قابلاعتمادتری دارند.
این یافتهها نقشه راه بسیار خوبی برای انتخاب معماریهای مقاومتر در پروژههای طولانیمدت هوش مصنوعی است. 🧠💡
منبع: arXiv Machine Learning