محققان در مقالهای جدید، رویکرد نظری و ریاضیاتی تازهای را برای حل مشکلات «ترکیبناپذیری» (Non-compositionality) در مدلهای یادگیری ماشین معرفی کردهاند. این متد که با نام «LINCS» شناخته میشود، با استفاده از ساختارهای دستهبندی (Categorical Framework) و هندسه دیفرانسیل، تلاش میکند تا اختلالات در فرآیندهای یادگیری را به شکل دقیقتری تحلیل و رفع کند.
این تحقیق گامی عمیق به سوی درک بهتر ساختار درونی مدلها و نحوه رفتار آنها در برابر تغییرات کوچک (Infinitesimal perturbations) است که میتواند در آینده به پایداری بیشتر مدلهای پیچیده هوش مصنوعی کمک کند. 📈
منبع: arXiv Machine Learning