محققان در مقاله جدیدی، فریمورک نوآورانهای به نام K-ABENA معرفی کردهاند که میتواند سرعت و بهرهوری آموزش مدلهای هوش مصنوعی را به شکل قابل توجهی افزایش دهد.
💡 نکته کلیدی: این روش با شناسایی و حذف بخش بزرگی از دادههای کماهمیت (Low-loss) در مرحله آموزش (Backpropagation)، باعث کاهش چشمگیر هزینههای محاسباتی (بین ۲۸ تا ۵۴ درصد) میشود، بدون اینکه دقت نهایی مدل افت کند. نتایج آزمایشها روی مجموعهدادههای واقعی نشان میدهد که این روش از نظر عملکرد، عملاً با روشهای کلاسیک full-batch برابر است.
این یک قدم بزرگ برای کاهش مصرف منابع و انرژی در آموزش مدلهای پیچیده است! ⚡️
سازی
منبع: arXiv AI