یکی از بزرگترین مشکلات یادگیری مداوم (Continual Learning) در مدل‌های بزرگ هوش مصنوعی، فراموش کردن اطلاعات قدیمی هنگام یادگیری دانش جدید است. محققان به…

محققان در تازه‌ترین مقاله خود، با معرفی «اصل رشد زیرخطی»، راهکار جدیدی برای حل مشکل ناپایداری در آموزش شبکه‌های عصبی باقی‌مانده (Residual Architectures) ارائه…

محققان متدولوژی جدیدی برای بهبود فرآیند A/B تستینگ معرفی کرده‌اند که به جای اتکا به روش‌های قدیمی و هزینه‌بر، با استفاده از «Counterfactual Estimation»…

حتماً شنیده‌اید که مدل‌های هوش مصنوعی باید «عادلانه» و «محرمانه» باشند. اما آیا تا به حال به این فکر کرده‌اید که اگر بخواهیم یک…

محققان در یک پژوهش جدید، متدولوژی نوآورانه‌ای به نام «AG-SCL» معرفی کرده‌اند که مشکل تشخیص بیماری‌های قلبی نادر را حل می‌کند. این مدل با…

محققان در مقاله‌ای تازه، روشی نوآورانه به نام «بهینه‌سازی سیاست تقابلی» (CPO) را برای حل یکی از چالش‌های بزرگ یادگیری تقویتی یعنی «ابهام در…

محققان تکنیک جدیدی به نام «PolyQ» معرفی کرده‌اند که انقلابی در اجرای مدل‌های هوش مصنوعی بزرگ (LLM) روی پردازنده‌های معمولی (CPU) ایجاد می‌کند. تا…

محققان در دستاورد جدیدی مدل هوشمندی به نام TIDE را برای تخمین دقیق‌تر و قابل‌اعتمادتر وضعیت سلامت باتری‌ها (Battery Health) معرفی کرده‌اند. این مدل…

محققان در یک دستاورد تازه، فریم‌ورک جدیدی به نام «FMTO» را توسعه داده‌اند که فرایند بهینه‌سازی توپولوژی (Topology Optimisation) را متحول می‌کند. این مدل…

محققان در دستاورد جدیدی به سراغ حل یکی از بزرگ‌ترین چالش‌های «شبکه‌های عصبی ضربه‌ای» (SNNs) رفته‌اند؛ یعنی محدودیت شدید حافظه هنگام آموزش مدل‌های پیوسته-زمان.…