اگر در حوزه مدلسازی توالیها (Sequence Modeling) فعالیت میکنید، حتماً میدانید که «معادلات دیفرانسیل کنترلشده عصبی» (Neural CDEs) چقدر قدرتمند اما در عین حال سنگین هستند. در روشهای سنتی، نوسانات مسیر دادهها باعث میشود مدل برای حل معادلات، گامهای بسیار کوچکی بردارد که سرعت را به شدت کاهش میدهد.
در پژوهش جدیدی که منتشر شده، محققان با استفاده از تکنیک «Kernel Smoothing» و جایگزینی آن با اینترپولاسیونهای قدیمی، فریمورک جدیدی به نام MV-CDE را معرفی کردهاند. این روش با استفاده از یک رویکرد مبتنی بر توجه (Attention)، اجازه میدهد جزئیات مسیر به شکلی هوشمندانه بازیابی شوند. نتیجه؟ دقت خیرهکننده در کنار کاهش چشمگیر زمان استنتاج (Inference Time) و تعداد ارزیابیهای تابع (NFE). این خبر خوبی برای کسانی است که با سریهای زمانیِ پیچیده کار میکنند! 📉🧠
منبع: arXiv Machine Learning
