چرا مدلهای بزرگِ هوش مصنوعی با وجود پیچیدگی بسیار زیاد، دچار خطاهای فاجعهبار نمیشوند و همچنان در پیشبینی دقیق عمل میکنند؟
محققان در یک پژوهش جدید، چارچوب نظری «Spectral-Transport Stability» را معرفی کردند که به این سوال بنیادین پاسخ میدهد. این مطالعه نشان میدهد که چگونه هندسه طیفی دادهها و پایداری در یادگیری، مرز بین «بیشبرازش مخرب» (Destructive Overfitting) و «بیشبرازش خوشخیم» (Benign Overfitting) را تعیین میکند.
این دستاورد تئوریک به ما کمک میکند تا بهتر بفهمیم چرا مدلهای غولآسا در عین حال که دادهها را کاملاً حفظ میکنند، در مواجهه با اطلاعات جدید هم عملکرد درخشانی دارند.
منبع: arXiv Machine Learning