Лако-тешко генерализација
Шта је генерализација лако на тешко?
Лако-тешко генерализација се односи на процес процене перформанси алгоритама на задацима који варирају по сложености, од једноставних и управљивих до оних захтевнијих. У контексту развоја вештачке интелигенције, овај приступ помаже да се обезбеди да модели не само да буду ефикасни у руковању једноставним задацима, већ и способни да скалирају своје понашање када се суоче са сложенијим изазовима.
Разумевање генерализације од лаког до тешког
На пример, размотрите сценарио где се модел тестира на задатку идентификовања грешака у малом делу кода.
На пример, у машинском учењу, генерализација од лаког до тешког може укључити обуку модела на скупу података који почиње једноставним или добро раздвојеним примерима и постепено уводи сложеније примере или примере који се преклапају. Овај приступ има за циљ да побољша способност модела да се носи са изазовним сценаријима и побољша његове укупне перформансе на невидљивим подацима.
У перцептивном учењу, генерализација од лаког до тешког може укључити обуку појединаца за перцептуалне задатке који почињу са лако препознатљивим стимулусима и постепено уводе теже или двосмислене стимулусе. Овај процес помаже појединцима да развију боље способности дискриминације и генерализују своје учење на шири спектар стимулуса.
Све у свему, генерализација од лаког до тешког је стратегија која се користи за побољшање учења, побољшање перформанси и промовисање бољих способности генерализације постепеним повећањем тежине или сложености примера или задатака.
Најновије вести о Лако-тешко генерализација
- Истраживачи са Универзитетског колеџа у Лондону су увели скуп података Спавриоус, класификација слика репер пакет, за решавање лажних корелација у АИ моделима. Скуп података, који се састоји од 152,000 висококвалитетних слика, укључује лажне корелације један према један и много према много. Тим је открио да скуп података показује невероватне перформансе, откривајући слабости тренутних модела због њиховог ослањања на фиктивну позадину. Скуп података је такође истакао потребу да се обухвате замршени односи и међузависности у М2М лажним корелацијама.
- Нови АИ, познат као диференцијални неуронски рачунар (ДНЦ), ослања се на екстерни меморијски уређај високе пропусности за складиштење претходно научених модела и генерисање нових неуронских мрежа на основу архивираних модела. Овај нови облик општег учења може отворити пут ери вештачке интелигенције која ће напрезати људску машту.
- Недавни рад МИТ-а је то открио GPT-4, језички модел (ЛЛМ) који је постигао 100% на МИТ-овом наставном плану и програму, имао је непотпуна питања и пристрасне методе евалуације, што је резултирало знатно нижом прецизношћу. Документ Аллен Института за АИ „Вера и судбина: границе трансформатора на композиционост“ разматра ограничења модела заснованих на трансформаторима, фокусирајући се на композиционе проблеме који захтевају размишљање у више корака. Студија је открила да модели трансформатора показују пад перформанси како се сложеност задатка повећава, а фино подешавање са подацима специфичним за задатак побољшава перформансе унутар обученог домена, али не успева. генерализовати на невиђене примере. Аутори предлажу да трансформаторе треба заменити због њихових ограничења у извођењу сложеног композиционог закључивања, ослањања на обрасце, меморисања и операција у једном кораку.
Најновији постови на друштвеним мрежама о лакој генерализацији
ФАК
Лако-тешко генерализација се односи на процес обуке или учења модела, алгоритама или система постепеним повећањем тежине или сложености примера или задатака. Идеја која стоји иза генерализације од лаке до теже је да се почне са једноставнијим или лакшим примерима и постепено уводи изазовније или теже да би се побољшала способност модела да генерализује и добро ради на широком спектру инпута.
«Повратак на индекс речникаОдрицање од одговорности
У складу са Смернице пројекта Труст, имајте на уму да информације дате на овој страници нису намењене и не треба да се тумаче као правни, порески, инвестициони, финансијски или било који други облик савета. Важно је да инвестирате само оно што можете приуштити да изгубите и да тражите независан финансијски савет ако сумњате. За додатне информације, предлажемо да погледате одредбе и услове, као и странице помоћи и подршке које пружа издавач или оглашивач. MetaversePost је посвећен тачном, непристрасном извештавању, али тржишни услови су подложни променама без претходне најаве.
О аутору
Дамир је вођа тима, менаџер производа и уредник у Metaverse Post, покривајући теме као што су АИ/МЛ, АГИ, ЛЛМ, Метаверсе и Web3-сродна поља. Његови чланци привлаче огромну публику од преко милион корисника сваког месеца. Чини се да је стручњак са 10 година искуства у СЕО и дигиталном маркетингу. Дамир се помиње у Масхабле, Виред, Cointelegraph, Тхе Нев Иоркер, Инсиде.цом, Ентрепренеур, БеИнЦрипто и друге публикације. Путује између УАЕ, Турске, Русије и ЗНД као дигитални номад. Дамир је стекао диплому физике, за коју верује да му је дало вештине критичког размишљања које су му потребне да буде успешан у свету интернета који се стално мења.
više чланака
Дамир је вођа тима, менаџер производа и уредник у Metaverse Post, покривајући теме као што су АИ/МЛ, АГИ, ЛЛМ, Метаверсе и Web3-сродна поља. Његови чланци привлаче огромну публику од преко милион корисника сваког месеца. Чини се да је стручњак са 10 година искуства у СЕО и дигиталном маркетингу. Дамир се помиње у Масхабле, Виред, Cointelegraph, Тхе Нев Иоркер, Инсиде.цом, Ентрепренеур, БеИнЦрипто и друге публикације. Путује између УАЕ, Турске, Русије и ЗНД као дигитални номад. Дамир је стекао диплому физике, за коју верује да му је дало вештине критичког размишљања које су му потребне да буде успешан у свету интернета који се стално мења.
