محققان در مقالهای جدید، راهکار هوشمندانهای برای حل مشکل «ناپایداری» و «تعمیمناپذیری» در مدلهای مبتنی بر جریانهای نرمالساز (Normalizing Flows) معرفی کردهاند. این روش جدید با نام AMF-VI-sEMA، با استفاده از یک مکانیسم وزندهی مبتنی بر «میانگین متحرک نمایی سیمپلکس» (sEMA)، به مدلها کمک میکند تا بدون نیاز به محاسبات سنگین گرادیان، به شکل بهینهتری ظرفیت یادگیری خود را مدیریت کرده و از شکست اجزای مدل (Component Collapse) جلوگیری کنند. این پیشرفت میتواند دقت مدلهای یادگیری ماشین در مواجهه با دادههای پیچیده و توزیعهای نامتقارن را به طرز چشمگیری افزایش دهد.
منبع: arXiv Machine Learning