محققان حوزه هوش مصنوعی بهتازگی چارچوب جدیدی به نام «SAOT» (مبتنی بر بهینهسازی ساختار) معرفی کردهاند که مشکل بزرگ مدلهای «یادگیری مداوم گراف» (Continual Graph Learning) را حل میکند.
در روشهای فعلی، مدلها با یادگیری مداوم و اضافه شدن وظایف جدید، ساختار روابط بین گرهها را فراموش کرده یا دچار اختلال میکردند. اما متد جدید SAOT با استفاده از نظریه انتقال بهینه (Optimal Transport)، روابط جهانی بین گرهها را حفظ کرده و اجازه نمیدهد دانش ساختاری مدل در طول زمان از دست برود. نتایج آزمایشها نشان میدهد که این روش جدید توانسته دقت مدلها را تا ۱۵ درصد در بنچمارکهای پیچیده بهبود ببخشد.
این پیشرفت گام مهمی برای هوش مصنوعیهایی است که نیاز دارند در محیطهای پویا، بدون از دست دادن دانش قبلی، بهطور مداوم آموزش ببینند. 🧠✨
منبع: arXiv Machine Learning
