محققان در مقاله جدیدی، روشی با نام «Adam-Aware In-Run Data Shapley» معرفی کردهاند که تحولی در حوزه «Data Attribution» یا همان سنجش میزان تاثیرگذاری هر داده بر مدل ایجاد میکند.
💡 چرا این مهم است؟
روشهای فعلی معمولاً برای بهینهساز SGD طراحی شدهاند و در برخورد با بهینهسازهای پیشرفتهای مثل Adam دقت خود را از دست میدهند. این روش جدید با یک تقریب ریاضی هوشمندانه، امکان سنجش دقیق تاثیر هر داده را بدون نیاز به آموزش مجدد و هزینههای سنگین فراهم کرده و دقت مدلها را به شدت افزایش میدهد.
این پیشرفت یعنی کاهش هزینههای محاسباتی و افزایش کیفیت یادگیری در مدلهای مدرن هوش مصنوعی! 🤖📊
منبع: arXiv Machine Learning