هوش مصنوعی
InterFuse روشی برای ترکیب مدل‌های ناهمگون در رتبه‌بندی ریسک پرداخت پیشنهاد می‌کند
این چارچوب از تعامل میان مدل‌ها برای تنظیم وزن پیش‌بینی‌هایشان در هر تراکنش استفاده می‌کند؛ پژوهش در حال حاضر به‌صورت پیش‌چاپ در arXiv منتشر شده است.
پژوهشگران در پیش‌چاپی با عنوان InterFuse چارچوبی برای ترکیب مدل‌های گوناگون در رتبه‌بندی تراکنش‌های پرداخت معرفی کرده‌اند. پلتفرم‌های پرداخت از مدل‌هایی استفاده می‌کنند که هرکدام بر نوع متفاوتی از داده، مانند ویژگی‌های تراکنش، سابقهٔ رفتاری یا روابط میان حساب‌ها، تکیه دارند. هدف رتبه‌بندی این است که با بودجهٔ محدود برای بررسی، تراکنش‌های نیازمند توجه در اولویت قرار بگیرند.
به‌گفتهٔ نویسندگان، روش‌های ترکیب موجود اغلب بر امتیازهای پیش‌بینی یا تعامل میان بازنمایی‌های مدل‌ها تمرکز می‌کنند و کمتر می‌پردازند به اینکه این تعامل‌ها چگونه باید همراه با پیش‌بینی اصلی هر مدل و میزان پوشش ورودی آن در تجمیع نهایی نقش داشته باشند. InterFuse برای هر مدل، بازنمایی، امتیاز پیش‌بینی و پوشش ورودی را در قالب یک توکن مدل‌محور کدگذاری می‌کند. سپس یک حالت مشترکِ حاصل از تعامل میان مدل‌ها را برای هدایت تجمیعی به‌کار می‌گیرد که با توجه به هر تراکنش تغییر می‌کند. برای خروجی‌های در دسترس‌نبودهٔ مدل‌ها نیز حالت‌های آموخته‌شده در نظر گرفته 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