محققان در یک پژوهش جدید، فریمورک «DIB-OD» را معرفی کردند که راهکاری هوشمندانه برای حل مشکل تطبیقدهی گرافهای ناهمگون (Heterogeneous Graphs) ارائه میدهد.
تغییر توزیع دادهها در شبکههای پیچیده (مانند شبکههای اجتماعی، دادههای زیستی یا شیمیایی) همیشه یکی از چالشهای بزرگ یادگیری ماشین بوده که اغلب باعث کاهش دقت مدلها میشد. حالا DIB-OD با استفاده از دو تکنیک نوآورانه:
✅ تجزیه نمایشهای داده به بخشهای «پایدار» و «نویزی» (Decoupled Information Bottleneck)
✅ یادگیری آنلاین (Online Distillation) برای حفظ دانش اصلی بدون فراموشی اطلاعات قبلی
توانسته است عملکرد مدلها را در انتقال بین دامنههای مختلف به شکل چشمگیری بهبود ببخشد. این یعنی مدلها حالا میتوانند در محیطهای متنوع و تغییرپذیر، با پایداری بسیار بیشتری فعالیت کنند.
این دستاورد یک قدم رو به جلو برای مدلهای هوش مصنوعی است که با دادههای دنیای واقعی (که هیچوقت یکدست نیستند) سر و کار دارند.
منبع: arXiv AI