محققان در یک پژوهش تازه، به مقایسهی دو استراتژی اصلی در آموزش مدلهای هوش مصنوعی (Self-Supervised Learning) پرداختهاند: رویکرد متداول «پیشآموزش و سپس تنظیم دقیق» (PFT) در مقابل «آموزش همزمان» (JT).
نتایج این تحقیق نشان میدهد که:
✅ روش آموزش همزمان (JT) در محیطهایی با دادههای برچسبدار محدود، عملکرد بسیار بهینهتر و باثباتتری دارد.
✅ روش پیشآموزش (PFT) همچنان در حوزههای تخصصی و پیچیده، انتخاب قابلاعتمادتری محسوب میشود.
این یافتهها میتواند مسیر طراحی مدلهای جدید بینایی ماشین را برای توسعهدهندگان هموارتر کند و به ما در انتخاب بهترین استراتژی برای دادههای مختلف کمک کند. نظر شما چیست؟ آیا فکر میکنید ترکیب همزمان به زودی جایگزین روشهای فعلی میشود؟
منبع: arXiv Computer Vision