محققان در مقاله جدیدی با عنوان «Kan Extensions for Neural Invariants»، رویکردی کاملاً متفاوت و ریاضیمحور را برای بهبود یادگیری انتقالی معرفی کردهاند. این پژوهش از نظریه رستهها (Category Theory) استفاده میکند تا ثابت کند چگونه میتوان ویژگیهای ساختاری یک مدل هوش مصنوعی را هنگام انتقال از یک وظیفه (Task) به وظیفه دیگر، به صورت دقیق و قابلمحاسبه حفظ کرد.
این متد که از «توسعه کان» (Kan Extension) بهره میبرد، به جای اتکا به روشهای سنتی، تغییرات ساختاری را به عنوان یک «فانکتور» مدلسازی میکند تا دقت و ثبات مدل در وظایف جدید تضمین شود. این گامی نو در درکِ عمیقتر از نحوه یادگیری ماشین است.
منبع: arXiv Machine Learning