یکی از چالشهای بزرگ در آموزش مدلهای هوش مصنوعی، وجود نویز در برچسبهای (Labels) دادههای آموزشی است که دقت مدل را بهشدت کاهش میدهد. اما حالا محققان راهکار جدیدی به نام «NegScale» ارائه دادهاند.
این فریمورک به جای تمرکز بر شباهتهای آسیبپذیر، روی «ناهمسانی» (Dissimilarity) تمرکز میکند. با استفاده از این تکنیک، مدل یاد میگیرد که حتی در صورت وجود نویز، تفاوتهای ساختاری بین دادههای نامرتبط را به درستی تشخیص دهد و عملکرد بسیار پایدارتری نسبت به روشهای فعلی داشته باشد.
این نوآوری میتواند گام مهمی برای افزایش کیفیت آموزش مدلها در دنیای واقعی باشد که دادههایشان همیشه بینقص نیستند! 🚀
منبع: arXiv Computer Vision