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.

۷۱ مقاله منتشر شده

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
لوگوی پروژه Sovereign نسخه ۱ در گیت‌هاب: فنجان چای با نماد تاج و کلید.

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
حافظه: ششمین حس هوش مصنوعی؟
زندگی با AI

«حسی برای تداوم»؛ نگاهی نو به عملکرد حافظه در مدل‌های زبانی

بررسی جدیدی نشان می‌دهد حافظه در مدل‌های زبانی بیش از آنکه ابزاری برای ذخیره داده باشد، حسی برای ایجاد تداوم و جهت‌یابی در زمان است. این رویکرد، حافظه را به عنوان یک «سیستم عصبی…

۲ دقیقه خواندن۱
موتور یادگیری حلقه بسته چگونه دانش هوش مصنوعی درباره اوراکل را بازسازی کرد
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 خواندن
چرخ داده هیوندای موتور گروپ به طور کامل فعال شد

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 خواندن۱
برچسب آموزش رایگان در حلقه عامل و میزان اعتماد به آن
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 خواندن
گراف‌های رویه‌ای: ساختارهای اجرایی خود‌تکاملی برای عامل‌های زبانی بزرگ

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