هوش مصنوعی
مسیریاب هوشمند، دسترسی به شواهد بیرونی را در ترمیم گراف دانش انتخاب می‌کند
پژوهشگران چارچوبی برای هدایت عامل‌های زبانی در اصلاح گراف‌های دانش معرفی کرده‌اند؛ روشی که در پنج مجموعه از شش مجموعهٔ ارزیابی، امتیاز F1 بالاتری از غیرفعال‌کردن همیشگیِ بازیابی شواهد داشت.
گراف‌های دانش ممکن است واقعیت‌های ناقص یا ناسازگار داشته باشند. اعتبارسنجی بر اساس شِما می‌تواند این ناسازگاری‌ها را شناسایی کند، اما لزوماً نشان نمی‌دهد کدام‌یک از چند اصلاح معتبر، گراف موردنظر را بازمی‌سازد. بازیابی شواهد از منابع بیرونی می‌تواند به انتخاب اصلاح مناسب کمک کند، اما هزینه‌بر است و همیشه نتیجه نمی‌دهد.
پژوهشگران در مقاله‌ای پیش‌چاپ در arXiv، چارچوبی برای بازیابی انتخابی در فرایند تکرارشوندهٔ ترمیم گراف پیشنهاد کرده‌اند. در این چارچوب، یک عامل ترمیم مبتنی بر مدل زبانی بزرگ گراف را بررسی و ویرایش می‌کند و یک مسیریاب تصمیم می‌گیرد چه زمانی دسترسی این عامل به عامل پژوهشگرِ جست‌وجوگر شواهد بیرونی را فراهم کند.
تیم پژوهش برای آموزش مسیریاب، چارچوبی را گسترش داده است که موارد نقض را به گراف تزریق می‌کند؛ نسخهٔ توسعه‌یافته، نمونه‌هایی با چند مورد نقض سازگار و اصلاح‌های مرجعِ شناخته‌شده می‌سازد. نتیجهٔ اصلاح‌های عامل در این نمونه‌ها، دادهٔ نظارتیِ مسیریاب را فراهم می‌کند.
ارزیابی روی دو مجموعه‌دادهٔ اتوماسیون ساختمان نشان داد دسترسی به عامل پژوهشگر برای برخی موارد اصلاح را بهتر و برای برخی دیگر بدتر می‌کند؛ اثر آن نیز میان پیاده‌سازی‌های مختلف یکسان نیست. مسیریاب در هر شش مجموعهٔ ارزیابی، نسبت به فعال‌بودن دائمیِ دسترسی به پژوهشگر، توکن‌های کمتری هنگام ترمیم مصرف کرد. همچنین در پنج مجموعه از شش مجموعه، امتیاز F1 آن از رویکردی که دسترسی را همیشه غیرفعال می‌کند بالاتر بود.
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