محققان در پژوهشی تازه، راهکار نوآورانهای به نام «MoRe» برای الگوریتمهای گرادیان نزولی چندهدفه (MGDA) معرفی کردهاند. در مسائل یادگیری چندهدفه، تضاد بین اهداف مختلف معمولاً سرعت همگرایی را کاهش میدهد.
این روش جدید با بهرهگیری از ویژگیهای ریاضی خاص (تداوم لیپشیتس) در جهتهای کنترلی، موفق شده سرعت همگرایی مدلها را به شکل قابل توجهی بهبود ببخشد و از اتلاف زمان در محاسبات غیرضروری جلوگیری کند. این دستاورد میتواند گام بزرگی برای آموزش مدلهای بهینهتر و سریعتر در دنیای هوش مصنوعی باشد. ⚡️
منبع: arXiv Machine Learning