محققان در مقاله جدیدی به بررسی یک چالش فنی مهم در مدلهای DSAE پرداختهاند. آنها متوجه شدند که با افزایش عمق شبکه (تا ۵ لایه)، پدیدهای به نام «فروپاشی وضعیت پنهان» (Hidden-State Collapse) رخ میدهد.
در این حالت، مدل عملاً قدرت تشخیص خود را از دست میدهد و خروجیهای یکسانی تولید میکند که باعث کاهش شدید دقت در طبقهبندی ابر نقاط (Point-Cloud) میشود. این تحقیق نشان میدهد که افزایش لایهها همیشه به نفع مدل نیست و باید مراقب این «نقطه کور» در طراحی معماریهای DSAE بود.
اگر در زمینه بینایی ماشین و پردازش دادههای سهبعدی فعالیت میکنید، این مطالعه برای درک محدودیتهای فعلی مدلهای یادگیری عمیق بسیار کلیدی است.
منبع: arXiv Computer Vision