هوش مصنوعی
روش آموزشی تازه می‌کوشد نگذارد خطاهای پیش‌بینی سری زمانی به آینده سرایت کنند
پژوهشگران روشی برای سنجش و مهار اثر خطاهای بازخوردی پیشنهاد کرده‌اند؛ روشی که به‌جای تمرکز صرف بر دقت پیش‌بینی گام بعد، بررسی می‌کند خطای مدل چگونه پیش‌بینی‌های بعدی را تغییر می‌دهد.
در پیش‌بینی سری‌های زمانی، خطای یک گام فقط اختلاف میان مقدار پیش‌بینی‌شده و واقعی نیست: وقتی پیش‌بینی مدل دوباره به‌عنوان ورودی استفاده شود، خطا می‌تواند مسیر پیش‌بینی‌های بعدی را هم تغییر دهد. مقاله‌ای در arXiv این مسئله را با مفهوم «سازگاری محلی در اجرای آزاد» صورت‌بندی می‌کند؛ معیاری که پیش‌بینی بعدی در حالت استفاده از دادهٔ واقعی را با پیش‌بینی در حالتی مقایسه می‌کند که مدل خروجی خودش را به‌عنوان ورودی به کار می‌گیرد.
نویسندگان می‌گویند مهار مستقیم این اثر مستلزم ردیابی تغییر حالت ناشی از خطاست، اما طراحی نگاشت میان خطای خروجی و حالت ورودی ممکن است دشوار باشد؛ به‌ویژه وقتی ابعاد یا اجزای این دو متفاوت‌اند یا ساختارشان به معماری مدل وابسته است. راهکار پیشنهادی، جانشینی مرتبه‌اول است: جریمه‌کردن حاصل‌ضرب ژاکوبین پیش‌بین در جهتی که اختلال بازخوردیِ واقعی ایجاد می‌کند. هدف این است که مدل یاد بگیرد خطاهای خودش را به پیش‌بینی‌های آینده منتقل نکند.
مقاله همچنین این تابع زیان را از دید هندسی و در نزدیکی یک «منیفلد پیش‌بینی» تفسیر می‌کند و شرایط نظری‌ای ارائه می‌دهد که تحت آن‌ها مسیرهای اجرای آزاد درون نواری پایدار پیرامون آن منیفلد می‌مانند. نویسندگان می‌گویند آزمایش‌هایشان روی وظایف پیش‌بینی سری زمانی از بهبود دقت با این منظم‌سازی پشتیبانی می‌کند؛ چکیده جزئیات عددی نتایج را ارائه نمی‌دهد. مقاله برای انتشار در NeurIPS 2026 پذیرفته شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده