محققان در یک پژوهش جدید، رویکردی کاربردی برای چالش «اندازه ورودیها» در مدلهای هوش مصنوعی ارائه دادهاند. بسیاری از مدلها با دادههایی مثل توالیها، نمودارها یا ابر نقاط با ابعاد مختلف سر و کار دارند، اما آموزش آنها روی دادههای محدود همیشه چالشبرانگیز بوده است.
این مقاله با معرفی «نقشههای نمونهبرداری تصادفی» (Random Sampling Maps)، راهکاری ارائه داده که مدلها بتوانند به جای پردازش هزینهبرِ دادههای بزرگ، آنها را به نمونههای کوچکتر و بهینهتر تبدیل کنند (Sketching). این متد به مدلها کمک میکند تا با دقت بالاتری نسبت به ابعاد جدید و دادههای دیده نشده تعمیم یابند. 📈
این تکنیک میتواند در آینده به پردازش سریعتر و دقیقتر گرافها و دادههای حجیم در پروژههای پیچیده هوش مصنوعی کمک شایانی کند.
منبع: arXiv Machine Learning