هوش مصنوعی
پژوهشگران روش ATLAS را برای کاهش انحراف در سامانه‌های چندعاملی هوش مصنوعی معرفی کردند
پیش‌چاپی در arXiv سه مشکلِ انحراف از وظیفه، نقش و وضعیت مشترک را به تغییر مسیر حالت‌های پنهان عامل‌ها مرتبط می‌کند؛ روش پیشنهادی مستقیماً این حالت‌ها را هدف می‌گیرد.
پژوهشی تازه در arXiv می‌گوید سامانه‌های چندعاملیِ دارای افق زمانی بلند با سه مشکلِ به‌هم‌پیوسته روبه‌رو هستند: عامل‌ها ممکن است از وظیفهٔ خود منحرف شوند، نقش تعیین‌شده را از دست بدهند یا از وضعیت مشترک سامانه عقب بمانند. نویسندگان فرضیه‌ای را بررسی کرده‌اند که بر اساس آن، هر سه مشکل ریشه‌ای بازنمایی‌شده دارند: حالت‌های پنهان عامل‌ها از جهت‌هایی فاصله می‌گیرند که وظیفهٔ فعال، نقش واگذارشده و وضعیت مشترک فعلی را بازنمایی می‌کنند.
در یک مطالعهٔ مقدماتی با ۱۴٬۸۳۲ نوبتِ برچسب‌گذاری‌شده، پژوهشگران گزارش کرده‌اند که نوبت‌های دچار انحراف در هر سه زیرفضای مرجع به‌شکلی تقریباً یکنواخت فرو می‌ریزند؛ همبستگی‌های دوتایی بین این الگوها ۰٫۷۲ تا ۰٫۷۸ بوده است. آن‌ها سپس ATLAS، مخفف «قفل‌کردن جبریِ وظیفه و نقش با حافظهٔ طیفیِ تطبیقی»، را معرفی می‌کنند: مداخله‌ای بدون نیاز به آموزش مجدد که حالت‌های پنهان را پیش از تولید توکن تغییر می‌دهد. متن در دسترس دربارهٔ جزئیات بیشتر روش یا میزان اثربخشی آن توضیح نمی‌دهد.
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