یکی از چالشهای بزرگ در سیستمهای هوشمند، نیاز به یادگیری مداوم (Online Learning) در محیطهای واقعی است. اما در شبکههای بزرگ عصبی، این کار معمولاً باعث افزایش شدید واریانس و کاهش کارایی میشود.
محققان در این پژوهش جدید، یک قاعده یادگیری مبتنی بر «اختلال» (Perturbation) معرفی کردهاند که به جای درگیر کردن کل مخزن (Reservoir)، فقط روی بخشهای حساس و ورودی-محور تمرکز میکند. این یعنی:
✅ کاهش چشمگیر پیچیدگی محاسباتی
✅ امکان پیادهسازی سختافزاری آسانتر
✅ حفظ دقت یادگیری در ابعاد بالا
این دستاورد گامی مهم برای توسعه هوش مصنوعی خود-یادگیرنده با مصرف انرژی کمتر و کارایی بیشتر در دنیای واقعی است. 🧠💻
منبع: arXiv Machine Learning