محققان در پژوهشی جدید، رویکردی متفاوت برای آموزش مدلهای «شبکههای جریان مولد» (GFlowNets) ارائه دادهاند. تا پیش از این، اکثر مدلها از «خطای مربعی» استفاده میکردند که محدودیتهایی داشت، اما این مقاله ثابت میکند که چگونه با انتخاب توابع زیانِ هوشمندتر، میتوان تعادل بهتری بین «اکتشاف» (Exploration) و «بهرهبرداری» (Exploitation) در مدلهای هوش مصنوعی برقرار کرد.
این تحقیق گامی مهم برای درک بهتر رفتارهای مدلهای مولد و دقیقتر کردن عملکرد آنها در کارهای پیچیده است.
منبع: arXiv Machine Learning