محققان در پژوهشی تازه، راهکار خلاقانهای برای «تقطیر مجموعه دادهها» (Dataset Distillation) ارائه کردهاند که مشکل نویزهای پسزمینه در مدلهای هوش مصنوعی را هدف گرفته است.
این فریمورک با استفاده از نقشههای برجستگی (Saliency) و تمرکز بر ویژگیهای کلیدیِ کلاسها، باعث میشود مدلهای هوش مصنوعی با دادههای کمتر، دقت و کارایی بهمراتب بالاتری داشته باشند. نکته جالب اینجاست که در این روش، ستونفقرات مدلهای اصلی (مثل LDM) ثابت میمانند و فقط بخشهای سبکِ طبقهبندیکننده آموزش میبینند که این موضوع هزینه محاسباتی را به شدت کاهش میدهد.
این پیشرفت میتواند مسیر را برای آموزش سریعتر و ارزانتر مدلهای بینایی ماشین در آینده هموار کند. 🤖💡
منبع: arXiv Computer Vision