💡 ارتقای هوش مصنوعی با تزریق نویز متناوب: راهکاری برای مدل‌های مقاوم‌تر! 🤖

محققان در مقاله جدیدی، روش خلاقانه‌ای برای آموزش مدل‌های هوش مصنوعی ارائه دادند که به جای تزریق نویزِ یکنواخت، از روش «تزریق نویز متناوب» (Interleaved Noise Injection) استفاده می‌کند.

این یعنی مدل‌ها در فازهای مختلف، ترکیبی از داده‌های تمیز و نویزی را دریافت می‌کنند که باعث می‌شود:
✅ قدرت کاوش مدل افزایش یابد.
✅ از گیر افتادن در «کمینه‌های محلی» (Local Minima) جلوگیری شود.
✅ مدل در برابر داده‌های مخرب و تغییرات توزیع در دنیای واقعی بسیار مقاوم‌تر شود.

این تیم با معرفی یک تکنیک «تثبیت گرادیان»، موفق شدند عملکرد مدل‌های محبوب مانند ResNet و ViT را در بنچمارک‌های مهمی مثل ImageNet به طرز چشمگیری بهبود ببخشند. قدمی بزرگ برای دنیای هوش مصنوعی که می‌خواهد در دنیای واقعی، کمتر خطا کند! 🚀

منبع: arXiv Machine Learning