محققان در مقاله جدید خود به سراغ حل یکی از چالشهای مهم در یادگیری ماشین رفتهاند: یادگیری بازنماییهای نامتقارن (Asymmetric Representation Learning).
بسیاری از روابط در دنیای واقعی مثل استلزام زبانی یا سلسلهمراتب هستیشناسی (Ontology) جهتدار هستند، اما روشهای معمول (مثل فاصله اقلیدسی یا کسینوسی) متقارناند. این روش جدید با استفاده از «پروجکشنهای نقشمحور» (Role-aware projections) و واگراییهای محدبِ عصبی (Bregman divergence)، ساختار هندسی دقیقتری برای مدلسازی این روابط جهتدار ارائه میدهد.
نتایج آزمایشها نشان میدهد که این رویکرد در بنچمارکهای معنایی دقت بسیار بالایی دارد و به عنوان یک ابزار ساختاریافته و قابل تفسیر برای مدلهای هوش مصنوعی کاربرد خواهد داشت. 💡
منبع: arXiv Machine Learning
