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.

۸۳ مقاله منتشر شده

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 خواندن۱
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 خواندن۱

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 خواندن۱
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 خواندن۱

پروژه Sovereign حافظه هوش مصنوعی را از آمار به هندسه تبدیل کرد

یک پژوهشگر مستقل معماری Sovereign را معرفی کرد که با جایگزینی ساختارهای آماری با بستر هندسی، نیاز به پنجره‌های متنی محدود و حافظه‌های موقت را حذف می‌کند. این سیستم با استفاده از…

۴ دقیقه خواندن
آموزش کاربردی

mneme خطاهای «موفقیت‌گونه» را به دانش دائمی عامل‌های هوش مصنوعی تبدیل می‌کند

ریک هولیهان ابزار mneme را برای تبدیل رفتارهای مستندنشده سیستم‌ها به پلاگین‌های نسخه‌مند AI معرفی کرد. این موتور یادگیری بر روی «شکست‌های موفقیت‌گونه» تمرکز دارد؛ یعنی مواردی که…

۲۱ دقیقه خواندن۱

چرخه داده‌های هیوندای؛ استراتژی تسریع رانندگی خودکار تا سال ۲۰۲۹

گروه موتور هیوندای با معرفی سامانه «چرخه داده» (Data Flywheel)، فرآیند آموزش هوش مصنوعی خودروهای خود را از مدل خطی به حلقوی تغییر داد. این استراتژی با تکیه بر همکاری با انویدیا و…

۶ دقیقه خواندن۲
آموزش کاربردی

تنوع در خانوادهٔ مدل‌ها؛ شرطِ حیاتی برای جلوگیری از مسموم‌سازی یادگیری عامل‌ها

استفاده از یک مدل واحد برای هم اجرا و هم تأیید اقدامات یک عامل هوش مصنوعی، منجر به ایجاد حلقه‌های بازخورد خطا می‌شود. چارچوب جدید پیشنهاد می‌کند برای جلوگیری از «اعتماد به…

۸ دقیقه خواندن۱

گراف‌های رویه‌ای خطاهای برنامه‌ریزی عامل‌های هوش مصنوعی را کاهش دادند

پژوهشگران گوگل با معرفی گراف‌های رویه‌ای، حافظه ضمنی عامل‌ها را به راهنمای صریح و تکامل‌پذیر تبدیل کردند. این چارچوب به عامل‌ها اجازه می‌دهد با مقایسه مسیرهای موفق و شکست‌خورده،…

۳ دقیقه خواندن۲