محققان در پژوهشی جدید، راهکاری خلاقانه برای رفع یکی از چالشهای بزرگ «شبکههای جریان مولد» (GFlowNets) ارائه کردهاند. تا پیش از این، برای هر تغییر در اهداف (Multi-Objective)، نیاز به آموزش مجدد مدل بود که هزینهبر و زمانبر است.
این متد جدید اجازه میدهد مدلهای از پیش آموزشدیده را در زمان استنتاج با هم ترکیب کنید! این یعنی بدون نیاز به بازآموزی، مدل میتواند به سرعت با شرایط و اهداف جدید (مثلاً در طراحی دارو یا کشف مواد) سازگار شود. روشی هوشمندانه که دقت و انعطافپذیری مدلها را در مسائل پیچیده بهطور چشمگیری افزایش میدهد. 🧬💡
منبع: arXiv Machine Learning