محققان در مقالهای جدید به سراغ یکی از چالشهای بزرگ هوش مصنوعی رفتند: چرا مدلهای یادگیری تدریجی (FSCIL) هنگام یادگیری کلاسهای جدید، دچار اشتباه میشوند و آنها را با کلاسهای پایه اشتباه میگیرند؟ 🧠
این تیم با شناسایی «میانبرهای منطقهای» (Regional Shortcuts)، متوجه شدند که مدلها بیش از حد روی ویژگیهای کلاسهای قدیمی تمرکز میکنند. راهکار آنها استفاده از یک روش «یادگیری ترکیبی» (Compositional Learning) است که با دستهبندی ویژگیها به دو گروه «مشترک» و «تمایزدهنده»، دقت مدل را به طرز چشمگیری افزایش داده است. این یعنی هوش مصنوعی در یادگیری دانش جدید، دیگر دانش قبلی خود را به راحتی «فراموش» نمیکند! 📈
منبع: arXiv Computer Vision