محققان به تازگی در مقاله جدیدی به بررسی چالش تقارن در پارامترهای مدلهای پیچیده پرداختند. این پژوهش نشان میدهد که با استفاده از «فضای خارجقسمتی» (Quotient Space) میتوان خطاهای مدلهای هوش مصنوعی را دقیقتر اندازهگیری کرد و به درک بهتری از «سوگیری ضمنی» (Implicit Bias) مدلها بدون نیاز به رگولارایزر دست یافت.
نتایج این تحقیق نشان میدهد که این رویکرد جدید میتواند تا حدود ۲۱٪ دقت در گواهینامههای PAC–Bayes را افزایش دهد که قدمی مهم برای علمیتر کردن و افزایش اعتماد به خروجیهای هوش مصنوعی است.
منبع: arXiv Machine Learning