محققان در پژوهشی جدید، راهکار هوشمندانهای برای چالش «تطبیق مداوم در زمان استنتاج» (CTTA) ارائه کردهاند. مدلهای فعلی معمولاً هنگام مواجهه با دادههای جدید دچار افت عملکرد (Drift) میشوند، اما این متد جدید با تنظیم پویا و هوشمندِ پارامترها، به مدل اجازه میدهد بدون نیاز به دسترسی به دادههای اصلی آموزش، خودش را با شرایط جدید تطبیق دهد.
این نوآوری گامی بزرگ برای کاربردیتر شدن مدلهای هوش مصنوعی در محیطهای واقعی است که دادههایشان مدام در حال تغییر است. 🚀
منبع: arXiv Computer Vision