محققان تکنیک جدیدی برای یادگیری مدلهای هوش مصنوعی توسعه دادهاند که مشکل «تعمیمپذیری» در شبکههای نوری را حل میکند. معمولاً مدلهایی که برای یک توپولوژی خاص شبکه آموزش دیدهاند، در شبکههای دیگر عملکرد ضعیفی دارند.
این روش جدید با ترکیب یادگیری «کنتراستیو» (Contrastive) و «طبقهبندی» (Classification)، به مدل کمک میکند ویژگیهای پایدار و مهم را در دامنههای مختلف تشخیص دهد. نتیجه؟ دقت بالاتر در تخمین کیفیت انتقال و توانایی سازگاری سریع با شرایط جدید حتی با دادههای محدود! 🧠💡
منبع: arXiv Machine Learning