مدلهای فعلی هوش مصنوعی مثل مدلهای انتشاری (Diffusion) معمولاً در مواجهه با دادههای غیرمعمول و «دمکلفت» (Heavy-tailed) مثل نوسانات مالی یا شرایط جوی شدید دچار مشکل میشوند. حالا محققان چارچوب جدیدی به نام «HTFM» را معرفی کردهاند که با استفاده از تکنیک «ساعتهای تصادفی»، یادگیری مدلهای جریانی (Flow Matching) را برای این دادهها بهینه میکند.
این نوآوری باعث میشود مدلها در بازسازی جزئیات دقیق و توزیعهای پیچیده آماری بسیار دقیقتر عمل کنند و سرعت تولید بالایی داشته باشند. این یعنی گام بزرگی برای کاربردهایی که دقت در لبههای نمودار (Tail events) حیاتی است.
های_مولد
منبع: arXiv Machine Learning