یکی از چالشهای همیشگی در مدلهای هوش مصنوعی (مثل شبکههای عصبی عمیق یا مدلهای ترکیبی)، ناپایداری یا ابهام در پارامترها هنگام آموزش است. حالا محققان روشی جدید پیشنهاد دادهاند که با افزودن «اینرسی» به دینامیک Dirac-Frenkel، این مشکل را حل میکند.
این فرمولبندی جدید باعث میشود مدل در مسیرهای آموزشی، اطلاعات پایداری از گذشته حفظ کند و در محاسباتِ «کمترین مربعات»، دقیقتر عمل کند. نتیجه؟ آموزشِ بهمراتب باثباتتر و قابلاعتمادتر برای مدلهای پیچیده. گامی کوچک اما کلیدی برای مهندسان یادگیری ماشین!
منبع: arXiv Machine Learning