محققان در مقالهای جدید، از فریمورک نوآورانه «Concept-as-Tree» (به اختصار CaT) رونمایی کردند که هدفش حل یکی از چالشهای اصلی در شخصیسازی مدلهای بینایی-زبانی (VLM) است.
مشکل اصلی کجاست؟
معمولاً مدلها برای یادگیری مفاهیم جدید از کاربر، با کمبود دادههای آموزشی باکیفیت روبرو هستند. سیستم CaT با نمایش مفاهیم به صورت یک «ساختار درختی»، دادههای آموزشی مثبت و منفی را با تنوع و درجه سختیهای مختلف تولید میکند.
خروجی این کار چیست؟
این روش نه تنها نیاز به دادههای زیاد را کاهش میدهد، بلکه با یک سیستم فیلترینگ دقیق، دقت مدلها را در درک مفاهیم شخصیسازی شده بهطور چشمگیری افزایش میدهد. این یعنی هوش مصنوعی شما در آینده، دقیقتر و شخصیتر از همیشه عمل خواهد کرد!
منبع: arXiv Computer Vision