هوش مصنوعی
معماری DPDM تصمیم‌گیری عامل‌های هوش مصنوعی را به پیش‌بینی شرطی تبدیل می‌کند
پژوهشگران در پیش‌چاپی در arXiv، معماری‌ای معرفی کرده‌اند که از یک پیش‌بین مشترکِ ازپیش‌آموزش‌دیده برای تصمیم‌های گوناگون عامل‌ها استفاده می‌کند؛ بدون آنکه هنگام استقرار پارامترهای عصبی مدل‌ها را به‌روزرسانی کند.
معماری Decoupled Predictive Decision Making یا DPDM، تصمیم‌های ناهمگون عامل‌های هوش مصنوعی را به مسئلهٔ پیش‌بینی شرطی تبدیل می‌کند. در این روش، مدل‌های زبانی بازنمایی معناییِ داده‌های جاری و پیشین را فراهم می‌کنند و یک پیش‌بین شرطیِ همه‌منظوره، هدفی را که وظیفه تعریف کرده است بر پایهٔ شواهد بازنمایی‌شده پیش‌بینی می‌کند.
به‌گفتهٔ نویسندگان، پیش‌آموزش توانایی استنتاجِ قابل‌استفادهٔ مجدد را فراهم می‌کند و شواهدی که هنگام استقرار گردآوری می‌شوند، پیش‌بینی‌های متناسب با مسئله را شکل می‌دهند؛ بی‌آنکه پارامترهای عصبی مدل زبانی یا پیش‌بین تغییر کند. در چکیده، داوری دربارهٔ ابزارها، ترجیح میان گزینه‌ها و ارزیابی استدلال‌ها از جمله کاربردهای این رویکرد معرفی شده‌اند.
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