پرش به محتوای اصلی

موضوع

یادگیری مداوم

زیرشاخه‌ای از یادگیری ماشین که در آن مدل‌ها به‌مرور زمان و با دریافت داده‌های جدید، دانش پیشین خود را حفظ کرده و به‌روزرسانی می‌شوند، بدون فراموشی مهارت‌های قبلی.

۷۹ مقاله منتشر شده

سیستم‌های عامل متنی: معماری فضاهای توسعه خودبهبودیابنده با حافظه پایدار

KiroCrew با محیط‌های کاری پایدار، نیاز به تکرار زمینه در کدنویسی AI را حذف کرد

تغییری بنیادین در معماری دستیارهای کدنویسی، آن‌ها را از جلسات موقت به محیط‌های کاری پایدار تبدیل می‌کند که از هر تعامل می‌آموزند. این سیستم‌ها با استفاده از گراف‌های حافظه، نیاز…

۲۱ دقیقه خواندن
عواملی که یاد می‌گیرند: ویکی حافظه

ویکیِ حافظه در JackHamr جلوی تکرار اشتباهات عامل‌های هوش مصنوعی را گرفت

پلتفرم JackHamr با معرفی یک «ویکی حافظه» خودبه‌روزشونده، امکان ذخیره دائمی قواعد کدنویسی و ساختار پروژه‌ها را برای عامل‌های هوش مصنوعی فراهم کرد. این سازوکار مانع از آن می‌شود که…

۳ دقیقه خواندن
حافظه تولیدی آگاه از زمینه: وقتی خاطرات درست، تصمیمات نادرست می‌سازند
آموزش کاربردی

چگونه Validrift از اجرای دستورالعمل‌های قدیمی در هوش مصنوعی صنعتی می‌کاهد؟

سامانه Validrift با معرفی یک موتور اعتبارسنجی قطعی، حافظه تاریخی هوش مصنوعی را از بستر فعلی تولید تفکیک می‌کند. این رویکرد مانع از اجرای راهکارهای «درست اما قدیمی» در شرایطی…

۸ دقیقه خواندن۱
استخراج الگوهای زمانی خودنظارتی برای برنامه‌ریزی تاب‌آوری اقلیمی ساحلی تحت محدودیت‌های سیاست بلادرنگ
آموزش کاربردی

معماری جدید AI: شناسایی الگوهای اقلیمی بدون نیاز به داده‌های برچسب‌دار

یک معماری جدید هوش مصنوعی با استفاده از یادگیری خودنظارتی، الگوهای پنهان اقلیمی را بدون نیاز به داده‌های برچسب‌دار شناسایی می‌کند. این سیستم محدودیت‌های قانونی و سیاست‌های شهری را…

۹ دقیقه خواندن
استخراج دانش چندوجهی برای ماموریت‌های زمین‌شناسی سیاره‌ای با داده‌های بسیار کم
آموزش کاربردی

تقلیل دانش متقاطع: راهکار مقابله با کمبود شدید داده در هوش مصنوعی فضایی

رویکرد جدیدی به نام تقلیل دانش متقاطع (CMKD) به کاوشگرهای سیاره‌ای اجازه می‌دهد تا با استفاده از داده‌های غنی حسگرهای مداری، زمین‌شناسی پیچیده را حتی بدون داشتن تصاویر برچسب‌دار…

۱۰ دقیقه خواندن۱
لنگرها حفظ مطالب را بیست‌وهشت برابر افزایش می‌دهند
آموزش کاربردی

آیا لنگرهای داده‌ای جایگزینی کارآمد برای Fine-Tuning در مدل‌های زبانی هستند؟

یک متد جدید با ترکیب لنگرهای داده‌ای و به‌روزرسانی‌های ادغام‌شدهٔ LoRA، مانع از فراموشی فاجعه‌بار در مدل‌های زبانی بزرگ می‌شود. این رویکرد نرخ حفظ دانش در ۱۰۰ تکلیف مختلف را از…

۲ دقیقه خواندن
مدل یادگیری مداوم آموزش‌دیده از صفر روی لپ‌تاپ با ۸ گیگابایت VRAM و جریان داده دسته‌ای ۱
آموزش کاربردی

«یادگیری بدون فراموشی»؛ هدف جدید مدل mini-AGI برای داده‌های شخصی

مدل آزمایشی mini-AGI با استفاده از سیستم صفحه‌بندی وزن‌ها، امکان یادگیری مستمر را روی سخت‌افزارهای مصرف‌کننده فراهم می‌کند. این مدل با به‌کارگیری نرخ یادگیری دوگانه، مشکل فراموشی…

۲۱ دقیقه خواندن
تولید و تطبیق وزن‌های مدل زبانی بزرگ از داده‌های زنده با پارامترهای نامحدود

مدل‌های زبانی با پارامتر نامحدود وزن‌های شبکه را در لحظه بازنویسی می‌کنند

پژوهشگران معماری جدیدی را پیشنهاد داده‌اند که به مدل‌های زبانی اجازه می‌دهد به‌جای تکیه بر پارامترهای ثابت، وزن‌های خود را بر اساس تعاملات زنده کاربر تغییر دهند. این رویکرد باعث…

۲ دقیقه خواندن
مغز شبیه‌سازی‌شده با حافظه خارجی؛ سپس مرگ مغز
آموزش کاربردی

حافظهٔ خارجی رفتارهای آموخته‌شده را پس از پاک‌سازی کامل مغز بازمی‌گرداند

یک شبیه‌سازی نشان می‌دهد که حافظهٔ تداعی‌گر ذخیره‌شده در خارج از شبکهٔ عصبی، می‌تواند رفتارهای آموخته‌شده را حتی پس از حذف کامل داده‌های مغز بازگرداند. این یافته ثابت می‌کند تجربه…

۵ دقیقه خواندن