یکی از مشکلات اصلی در آموزش مدلهای هوش مصنوعی، مخصوصاً در شبکههای پیچیده (Graph Neural Networks)، «نامتوازن بودن کلاسها» است؛ یعنی مدل بهخاطر دادههای زیادِ یک دسته خاص، نسبت به دستههای دیگر دچار سوگیری میشود.
محققان در پژوهش جدیدی، رویکردی به نام NodeImport را معرفی کردهاند. این متد با ارزیابی هوشمندانه اهمیت گرهها (Nodes)، میتواند در طول فرآیند آموزش، دادههای حیاتی را برای مقابله با عدم توازن شناسایی و فیلتر کند. این کار باعث میشود مدل در نهایت خروجیهای بسیار دقیقتر و منصفانهتری داشته باشد.
این نوآوری راهکار جدیدی برای دقیقتر کردن سیستمهای هوش مصنوعی در تحلیل دادههای دنیای واقعی ارائه میدهد. 📊✨
های_عصبی
منبع: arXiv AI