هوش مصنوعی
چارچوب ERIM می‌کوشد قواعد پنهان در یادگیری درون‌متنی چندوجهی را آشکار کند
پژوهشگران در پیش‌چاپی در arXiv چارچوبی پیشنهاد کرده‌اند که به‌جای تمرکز صرف بر نگاشت ورودی به خروجی، بر استنتاج صریح قواعد از نمونه‌های نمایشی تکیه دارد.
در یادگیری درون‌متنی چندوجهی (MICL)، بعضی وظایف بدون زمینه به‌روشنی تعریف نمی‌شوند و حل آن‌ها مستلزم کشف قواعد نهفته در نمونه‌های نمایشی است. نویسندگان پیش‌چاپ می‌گویند روش‌های موجود عمدتاً MICL را به نگاشت مستقیم ورودی به خروجی تقلیل می‌دهند و در نتیجه، نقش استنتاج و استدلال دربارهٔ قواعد را نادیده می‌گیرند؛ مسئله‌ای که به گفتهٔ آن‌ها عملکرد و تفسیرپذیری را محدود می‌کند.
چارچوب پیشنهادی آن‌ها، ERIM، برای استنتاج صریح قواعد در یادگیری درون‌متنی چندوجهی طراحی شده است. این چارچوب با بهره‌گیری از توانایی استدلال مدل‌های زبانی بزرگ چندوجهی (MLLM)، مجموعه‌داده‌هایی قاعده‌محور می‌سازد و برای استنتاج قواعد، نظارت صریح در نظر می‌گیرد. متن در دسترس از چکیده جزئیات بیشتری دربارهٔ روش یا نتایج ارائه نمی‌کند.
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