محققان در پژوهشی تازه به بررسی معمای «گراک کردن» یا همان تعمیمدهی مدلهای هوش مصنوعی پرداختهاند که معمولاً مدتها پس از آموزش رخ میدهد. این مطالعه نشان میدهد که چگونه تزریق «پیشفرضهای ساختاری» (Representational Priors) میتواند یادگیری مدل را تا ۲.۷۵ برابر سریعتر کند.
در واقع، این تحقیق ثابت میکند که مدلهای هوش مصنوعی برای درک بهتر مفاهیم، نیاز دارند ساختارهای درونی وظایف را زودتر شناسایی کنند؛ کشفی که میتواند مسیر آموزش مدلهای آینده را بسیار بهینهتر از قبل کند. 🚀
منبع: arXiv Machine Learning