تیمی از پژوهشگران چندین مؤسسه، چارچوبی نوین در سطح تعبیه با نام EmergentBridge توسعه داده‌اند که برای تقویت انتقال میان‌حالتی بدون نمونه در مدل‌های تعبیه‌ی چندوجهی یکپارچه طراحی شده است. این رویکرد به چالشی حیاتی در استقرارهای واقعی می‌پردازد؛ جایی که نظارت تنها برای بخشی از جفت‌های حالتی در دسترس است و سایر اتصالات—مانند صوت-عمق یا فروسرخ-صوت—به‌صورت ضعیف در فضای یکپارچه ادغام می‌شوند.
مشکل اصلی زمانی نمایان می‌شود که متخصصان تلاش می‌کنند حالت‌های جدید را با فضاهای تعبیه‌ی موجود تراز کنند. روش‌های سنتی اغلب اختلال گرادیان را معرفی می‌کنند که ساختار تراز لنگری ضروری برای وظایف بازیابی و طبقه‌بندی را تخریب می‌کند. EmergentBridge با یک استراتژی دوگانه به مقابله با این مشکل برمی‌خیزد.
نخست، این چارچوب نگاشتی را می‌آموزد که لنگر پل نویزدار تولید می‌کند—تعبیه‌ی جایگزینی از یک حالت از پیش ترازشده—از یک تعبیه‌ی لنگر. دوم، و مهم‌تر از همه، تراز جایگزین را انحصاراً در زیرفضای متعامد به جهت تراز لنگر اعمال می‌کند. این کار یکپارچگی ترازهای لنگری موجود را حفظ کرده و همزمان اتصال به حالت‌های غیرلنگری را تقویت می‌کند.
پژوهشگران EmergentBridge را در ۹ مجموعه داده گسترده ارزیابی کردند. نتایج نشان داد این چارچوب به‌طور مداوم بر روش‌های پایه پیشین در هر دو وظیفه طبقه‌بندی و بازیابی بدون نمونه برتری دارد. آزمایش‌ها قابلیت‌های قوی تراز ظهوری را نشان دادند؛ این امر نشان می‌دهد چارچوب می‌تواند سیستم‌های تعبیه‌ی یکپارچه را بدون نیاز به جمع‌آوری گسترده داده جفت‌شده به وظایف جدید گسترش دهد.
پیامدها برای استقرارهای عملی قابل‌توجه است. سیستم‌ها اکنون می‌توانند حالت‌های اضافی مانند صوت، سنسورهای عمق یا فروسرخ را بدون سربار محاسباتی و داده‌ای پیشین ادغام کنند. این رویکرد گامی معنادار به سوی سیستم‌های هوش مصنوعی چندحالتی انعطاف‌پذیرتر و مقیاس‌پذیرتر است که توانایی عمل در محیط‌های کم‌داده را دارند. این پژوهش یک تنگنای بنیادین در یادگیری چندحالتی را برطرف می‌کند: ناتوانی در گسترش کارآمد فضاهای تعبیه‌ی یکپارچه با در دسترس قرار گرفتن حالت‌های جدید. با حفظ عملکرد لنگر و بهبود اتصال میان‌حالتی، EmergentBridge راه‌حلی اصولی برای گسترش قابلیت‌های چندحالتی در سیستم‌های تولیدی ارائه می‌دهد.
گفتگو