محققان در مقاله جدیدی، رویکردی خلاقانه به نام «GradInf» را معرفی کردهاند که چالشهای قدیمی در تخمین گرادیان را هدف قرار داده است.
تخمین گرادیان در برنامههای احتمالی به دلیل پیچیدگیهای محاسباتی و وابستگیهای تصادفی، همیشه کاری دشوار بوده است. متد «GradInf» با تبدیل مسئله تخمین گرادیان به یک مسئله استنتاج احتمالی (از طریق تکنیکهای coupling و factorization)، مسیر جدیدی را برای طراحی تخمینگرهای دقیقتر و بهینهتر باز کرده است.
این سیستم با استفاده از «اطلاعات جریان» (Information-flow typing) و تحولات سورسبهسورس، خودکارسازیِ این فرآیند را برای محققان حوزه یادگیری ماشین و محاسبات علمی بسیار آسانتر میکند. 🚀
منبع: arXiv Machine Learning
