🤖 راهکار جدید برای غلبه بر چالش داده‌های نامتوازن در مدل‌های هوش مصنوعی

یکی از مشکلات بزرگ در کاربردهای حساس هوش مصنوعی (مثل تشخیص کلاهبرداری یا تشخیص‌های پزشکی)، کمبود داده‌های باکیفیت برای کلاس‌های خاص است. متدهای رایج مثل oversampling اغلب باعث کاهش دقت مدل می‌شوند.

محققان در مقاله جدید خود، فریم‌ورک «RUBRIC» را معرفی کرده‌اند که به جای تمرکز بر «کمیت»، بر «کیفیت» داده‌های تولید شده تمرکز می‌کند. این ابزار با ایجاد یک تعادل بین «واقع‌گرایی» (Realism) و «کارایی» (Utility)، مدل‌های هوش مصنوعی را در مواجهه با داده‌های نامتوازن، بسیار دقیق‌تر و قابل‌اعتمادتر می‌کند.

این نوآوری گام بزرگی برای افزایش امنیت در مدل‌های مالی و پزشکی است که نیاز به دقت بسیار بالایی دارند.

منبع: arXiv Machine Learning