یکی از چالشهای اصلی در یادگیریِ مداوم (Continual Learning)، این است که مدلها با یادگیری وظایف جدید، دانش قبلی خود را فراموش میکنند یا در یادگیریِ الگوهای متنوع دچار مشکل میشوند. حالا محققان در یک مقاله جدید، راهکار خلاقانهای ارائه دادهاند!
🔹 آنها با مدلسازیِ «پرامپتها» بهصورت توزیعهای احتمالی (Probabilistic Distribution)، موفق شدهاند مشکل «فروپاشی پرامپتها» را حل کنند و دقت مدل را در یادگیریِ پیاپیِ وظایف جدید (مثل دستهبندی تصاویر در ImageNet-R و CIFAR-100) به شکل چشمگیری افزایش دهند.
این یعنی هوش مصنوعی حالا میتواند بدون از دست دادن دانستههای قدیمی، با تنوع بیشتری در دادههای جدید آموزش ببیند. گامی مهم برای توسعه مدلهایی که در دنیای واقعی «پویا» باقی میمانند! 🚀
منبع: arXiv Computer Vision