Ինչո՞ւ մեքենայական ուսուցման հետազոտական գործակալները չեն գերհարմարվում (overfit)
Amazon Science-ի հետազոտողները հրապարակել են ուսումնասիրություն, որը քննարկում է մեքենայական ուսուցման հետազոտական գործակալների ընդհանրացման կարողությունները: Քանի որ ինքնավար համակարգերին ավելի հաճախ են վստահվում գիտական բացահայտումներն ու տվյալների վերլուծությունը, հիմնական մտահոգությունը մնում է այն, թե արդյոք այդ գործակալները պարզապես անգիր են անում ուսուցման տվյալները, թե՞ սովորում են ընդհանրացված օրինաչափություններ: Հետազոտությունը ուսումնասիրում է այն մեխանիզմները, որոնք թույլ են տալիս գործակալներին արդյունավետ աշխատել նոր առաջադրանքների վրա՝ առանց գերհարմարման (overfitting) խնդրի: Վերլուծելով ուսուցման դինամիկան և ճարտարապետական սահմանափակումները՝ աշխատանքը բացահայտում է, թե ինչպես են մոդելները պահպանում կայուն արդյունավետությունը: Արդյունքները ցույց են տալիս, որ ուսուցման հատուկ մեթոդաբանությունները և գիտական հետազոտությունների միջավայրի բնույթը հանդես են գալիս որպես բնական կարգավորիչներ: Այս աշխատանքը կարևոր է հուսալի AI համակարգերի զարգացման համար, որոնք ունակ են ինքնուրույն գիտական հետազոտություններ կատարել՝ ապահովելով դրանց գիտական վավերականությունը:
This is a summary. Read the full article at the original source:
Hacker News (YC)Կապակցված
Պրոմպտ-ինժինիրինգ հուսալիության մոդելների համար՝ հակաավարտուն կլաստերներում
Հոդվածը նվիրված է պրոմպտ-ինժինիրինգի կիրառմանը հակաավարտուն (fault-tolerant) կլաստերների հուսալիության մոդելներ կառուցելու և հաշվարկելու համար՝ օգտագո…
Microsoft-ը առաջարկում է սահմանափակումներ իր AI-ի համար՝ անվտանգության շուրջ բանավեճերի ֆոնին
Microsoft-ը ներկայացրել է արհեստական բանականության նոր մոդելների մշակման ժամանակավոր «վարքագծի կանոնագիրք»՝ նպատակ ունենալով ապահովել, որ AI-ն մնա մար…
Արհեստական բանականության ոլորտը «դումերական» շրջադարձ է կատարել. ի՞նչ է սպասվում հիմա
Արհեստական բանականության առաջատար լաբորատորիաների ղեկավարները, այդ թվում՝ Anthropic-ի Դարիո Ամոդեյը, OpenAI-ի Սեմ Ալթմանը և Google DeepMind-ի Դեմիս Հա…