پژوهشگران کوموآراف‌ام-۲ را معرفی کرده‌اند؛ نسل بعدی مدل پایه‌ای که به‌طور خاص برای داده‌های رابطه‌ای طراحی شده و عملکردی بی‌سابقه در معیارهای چالش‌برانگیز از خود نشان می‌دهد. این مدل از پیش آموزش‌دیده، از یادگیری درون‌متنی و تنظیم دقیق پشتیبانی می‌کند و آن را برای طیف وسیعی از وظایف پیش‌بینی مناسب می‌سازد.
برخلاف مدل‌های پایه جدولی سنتی، کوموآراف‌ام-۲ به‌صورت بومی روی ساختارهای داده رابطه‌ای عمل می‌کند و یک یا چند جدول متصل را به‌طور هم‌زمان پردازش می‌کند. این رویکرد نیاز به تسطیح دستی جدول یا تولید متغیر هدف را از بین می‌برد و در عین حال سازگاری زمانی را در مجموعه‌داده‌ها حفظ می‌کند.
این مدل روی مجموعه‌ای گسترده از داده‌های ترکیبی مصنوعی و واقعی در چهار بُعد مجزا پیش‌آموزش دیده است: بُعد سطر و ستون در سطح جدول فردی، و بُعد کلید خارجی و نمونه متقاطع در سطح پایگاه داده. نوآوری کلیدی در کوموآراف‌ام-۲، تزریق اطلاعات وظیفه در earliest مرحله ممکن است که امکان انتخاب دقیق‌تر ستون‌های مرتبط با وظیفه و مقاومت بیشتر در برابر داده‌های نویزی را فراهم می‌کند.
آزمایش‌های گسترده روی ۴۱ معیار چالش‌برانگیز نشان می‌دهد که کوموآراف‌ام-۲ هم روش‌های نظارتی و هم رویکردهای پایه را تا ۸ درصد پیشی می‌گیرد. این مدل در شرایط سخت از جمله سناریوهای شروع سرد و محیط‌های پرنویز، عملکرد قوی خود را حفظ می‌کند.
نکته قابل توجه این است که برای اولین بار، یک مدل پایه با یادگیری چند‌شاتی از روش‌های نظارتی در وظایف معیار رایج پیشی گرفته و عملکرد آن با تنظیم دقیق بیشتر نیز بهبود یافته است. در حالی که نسخه قبلی، کوموآراف‌ام-۱، محدود به مجموعه‌داده‌های کوچک در حافظه بود، کوموآراف‌ام-۲ با موفقیت به پردازش مجموعه‌داده‌های رابطه‌ای در مقیاس میلیاردی مقیاس‌پذیر شده و گامی بلند در کاربرد عملی مدل‌های پایه برای یادگیری رابطه‌ای برداشته است.
گفتگو