در دنیای مدلهای هوش مصنوعی (بهویژه در حوزه سلامت)، گاهی اوقات روشهای «کالیبراسیون» معمولی شکست میخورند. محققان در مطالعه اخیر خود نشان دادند که در سیستمهای یادگیری فدرال (Federated Learning)، مدلهایی که برای «میانگین» بهینه شدهاند، ممکن است در ۴۰٪ مراکز دادهدِه (مانند بیمارستانها) دچار خطای جدی شوند.
این مقاله راهکار جدیدی تحت عنوان «انقباض منحنی ریسک» (Risk-curve shrinkage) ارائه میدهد که با ایجاد تعادل بین دادههای محلی و کلی، باعث میشود دقت هوش مصنوعی در تکتک سایتها به طور قابلاتکایی حفظ شود. این یک گام بزرگ برای کاربرد ایمنتر هوش مصنوعی در محیطهای واقعی و حساس است! 🏥🧠
منبع: arXiv Computer Vision