مدلهای بنیادین جدولی (TFMs) با وجود قدرت بالا در تحلیل دادهها، همیشه با محدودیتهای «اندازه پنجره متنی» و حساسیت به تغییرات توزیع دادهها درگیر بودهاند که باعث کاهش دقت در یادگیری انتقالی میشد.
محققان در مقاله جدیدی روش TL-ANDI را معرفی کردهاند که با استفاده از «تقطیر داده» (Data Distillation) و حل مسائل بهینهسازی، یک زیرمجموعه فشرده اما بسیار دقیق از دادههای منبع را انتخاب میکند. این کار نه تنها محدودیتهای حافظه را دور میزند، بلکه باعث میشود مدل در مواجهه با وظایف جدید، عملکرد بسیار پایدارتر و هوشمندانهتری داشته باشد. گامی مهم برای استفاده عملیاتیتر از هوش مصنوعی در تحلیلهای دادهمحور و بیزنس! 🚀
منبع: arXiv Machine Learning