محققان در پژوهشی تازه به بررسی دقیق مکانیزم Self-training (ST) پرداختند. این روش که یکی از راهکارهای محبوب در یادگیری نیمهنظارتی است، گاهی با برچسبهای کاذب (Pseudo-labels) دچار خطا میشود.
این مقاله با تحلیل رفتار مدلهای خطی بر روی دادههای پیچیده، نشان میدهد که:
✅ در مراحل ابتدایی، ST با اتکا به برچسبهای قابلاعتماد، سریعاً مدل را بهبود میدهد.
✅ در مراحل پیشرفتهتر، با بهروزرسانیهای جزئی و منظم، مدل به سمت دقت بالاتر حرکت میکند.
این تحقیق به ما کمک میکند تا بهتر بفهمیم چطور مدلهای هوش مصنوعی بدون داشتن برچسبهای انسانی زیاد، میتوانند همچنان باهوشتر شوند! 🧠💡
منبع: arXiv Machine Learning