در دنیای هوش مصنوعی، همیشه دسترسی به «گرادیان» (Gradient) یا «هسین» (Hessian) برای بهینهسازی مدلها امکانپذیر نیست. محققان به تازگی در مقالهای جدید، یک رویکرد نظری برای روشهای «نیوتن مرتبه صفر» ارائه کردهاند که با استفاده از تکنیکهای آماری، امکان تخمین این پارامترها را بدون نیاز به دادههای مستقیم فراهم میکند. این دستاورد به زبان ساده به این معناست که میتوان مدلهای هوش مصنوعی را در شرایطی که با «جعبه سیاه» (Black-box) روبرو هستیم، بسیار دقیقتر و بهینهتر آموزش داد و تعادل بهتری بین سرعت و دقت ایجاد کرد. این تحقیق گامی تخصصی اما بسیار مهم برای افزایش کارایی الگوریتمهای یادگیری ماشین است.
منبع: arXiv AI