محققان در مقالهای جدید، روشی نوآورانه برای «یادگیری متا بدون دادههای برچسبدار» معرفی کردهاند که یکی از بزرگترین چالشهای دنیای AI، یعنی هزینه بالای تهیه دادههای آموزشی را هدف قرار داده است.
💡 نکته کلیدی این روش:
به جای استفاده از روشهای سنگین «وارونسازی مدل» (Model Inversion)، این مدل با ترکیب مدلهای از پیش آموزشدیده و دادههای بدون برچسب، وظایف متا (Meta-tasks) را تولید میکند. نتیجه؟ تا ۱۰۴ برابر سرعت بیشتر و بهبود چشمگیر ۳۶ درصدی در دقت دستهبندی با دادههای محدود (Few-shot learning)! این یعنی هوش مصنوعیِ سریعتر و ارزانتر برای کاربردهای واقعی. ⚡️
منبع: arXiv Machine Learning