Η εξέλιξη της τεχνικής μάθησης του μηχανήματος εξακολουθεί να πιέζει το όριο του τι είναι δυνατό με την τεχνητή νοημοσύνη. Σε μια προηγμένη μελέτη, ο καθηγητής Johan du Precez και ο Dr. Emile-Reyn Engelbrecht από το Πανεπιστήμιο Stellenbosch συνδέουν τις έννοιες μεταξύ των δύο μεγάλων κλάδων της εκμάθησης των μηχανημάτων: SSL (SSL) και Open Memory. Τα ευρήματά τους που δημοσιεύονται στην Αφρική Επιστήμη αποκαλύπτουν βαθιές συνδέσεις μέσω της χρήσης του αντίθετου δικτύου (GAN), γεγονός που μπορεί να οδηγήσει στο μαθησιακό στυλ του κόστους του κόστους που είναι πιο αποτελεσματικό και πιο αποτελεσματικό.
Το κλειδί για την έρευνά τους είναι η χρήση των GANS, το οποίο είναι ένα δυναμικό εργαλείο με δύο νευρικά δίκτυα. Η μελέτη προσφέρει μεθόδους χρήσης αυτών των δικτύων όχι μόνο για το SSL, το οποίο έχει μόνο μερικές από τις ετικέτες που επισημαίνονται αλλά και για το OSR, το οποίο απαιτεί την ταυτοποίηση των μυθιστορημάτων που δεν παρατηρούνται νωρίτερα κατά τη διάρκεια των διαδικασιών δοκιμών.
Οι ερευνητές ανέλαβαν ότι το κλειδί για τους συνδέσμους SSL και OSR είναι στη δημιουργία δειγμάτων που καλούν. «Φαίνεται κακό»-οι βαθμολογίες δεδομένων δημιούργησαν σκόπιμα αν είναι ασαφείς ή παρεξηγήσεις. Αυτά τα παραδείγματα έχουν μια περιοχή «συμπλήρωμα». Η περιοχή ιδεών στο φάσμα είναι γνωστή μεταξύ της γνωστής κατηγορίας. Με ξεχωριστή εκπαίδευση με αυτά τα παραδείγματα, όχι μόνο, αλλά μπορεί να αναγνωρίσει αλλά και να κατηγοριοποιήσει το κατάλληλο μυθιστόρημα εισόδου, το οποίο δεν έχουν εκπαιδευτεί σαφώς
Ο Engelbrecht εξήγησε: “Με την επέκταση αυτού που καταλαβαίνουμε για το χώρο SSL στο OSR, διαπιστώνουμε ότι το μοντέλο μας μπορεί να ολοκληρώσει αποτελεσματικά αυτόν τον ανοιχτό χώρο, αυξάνοντας την ικανότητα αντιμετώπισης των απροσδόκητων δεδομένων”.
Η μελέτη συγκρίθηκε ευρέως μεταξύ των βασικών SSL-Gans και OSR-Gans, οι οποίες βρίσκονται στο ίδιο υπαίθριο. Τα αποτελέσματα είναι πολύ παρόμοια, επιβεβαίωσαν έτσι τη θεωρία των ερευνητών ότι οι βασικοί μηχανισμοί που ελέγχουν τόσο το SSL όσο και το OSR συνδέονται μέσω της συντήρησης.
Αναζητώντας αυτήν την εκπαιδευτική γραμμή, η ομάδα πειραματίστηκε με διάφορα μοντέλα GAN για να εξετάσουμε ποια διαμόρφωση αξίας είναι η καλύτερη απόδοση στην κατάσταση SSL-OSR στο μοντέλο που έχει δοκιμαστεί, το εξαιρετικό περιθώριο, παρέχοντας ένα ανώτερο αποτέλεσμα στη μέθοδο που έχει φιλτραριστεί για τον προσδιορισμό και τη χρήση του συμπληρωματικού χώρου.
Υπάρχουν πολλές έννοιες αυτής της έρευνας δείχνουν ότι τα ολοκληρωμένα πλαίσια της SSL-OSR δεν είναι μόνο ευκολότερο να εκπαιδεύσουν τη διαδικασία κατάρτισης. Αλλά επίσης βοηθά στην αύξηση της λειτουργίας του συστήματος εκμάθησης του μηχανήματος, επιτρέποντάς τους να προσαρμοστούν και να είναι πιο αποτελεσματικοί σε πραγματική χρήση, ενώ η τεχνητή νοημοσύνη συνεχίζει να αναπτύσσεται συνεχώς, αυτή η μελέτη άνοιξε το δρόμο σε ένα ισχυρό και ικανό σύστημα που μπορεί να χειριστεί την πολυπλοκότητα και την αβεβαιότητα του πραγματικού κόσμου.
Περιοδικό αναφοράς
Engelbrecht, E.-R., & du Preez, JA “σε έναν ημι-γενικό υπεύθυνο μαθαίνοντας την Africa Science, 2023. Doi: https://doi.org/10.1016/j.sciaf.2023.e01903
Σχετικά με τον συγγραφέα
Ésmileémim Είναι ερευνητής στο Τμήμα Ηλεκτρονικής Μηχανικής στο Πανεπιστήμιο Steellenbosch. Είναι ο κύριος συγγραφέας και η τελευταία μελέτη. Ανοίξτε την εκμάθηση με πρόσθετες κατηγορίες χρησιμοποιώντας πληροφορίες από μη ετικέτες (ανοιχτή LACU).Που προτείνει έναν ολοκληρωμένο κύκλο μάθησης των μηχανημάτων που συνδυάζει τη μάθηση της ημι -θερμοκρασίας, την αντίληψη, την αντίληψη και την εξωτική ανίχνευση μέσω του αντίθετου δικτύου Συνεργάστηκε επίσης με μια έρευνα ημι-διαχειριστή και GANS και μια ανοιχτή αντίληψη (SSL-OSR), η οποία καταδεικνύει τη βασική σχέση μεταξύ αυτών των μεθόδων.
Ο καθηγητής Johan A. Du Prez Είναι ένας διακριτικός αριθμός στο Τμήμα Ηλεκτρικών και Ηλεκτρονικών στο Πανεπιστήμιο Steellenbosch, εστιάζοντας στην έρευνα για την εκμάθηση του μηχανήματος, του συστήματος, του συστήματος πιθανότητας και της ομιλίας και της επεξεργασίας. Η εξαιρετική δουλειά του, συμπεριλαμβανομένων των ομιλητών και των έργων ανίχνευσης χειρόγραφου, και είναι μέλος του Steelnbosch (Su’clast Spexual Language (Su’clast). Επιπλέον, περιλαμβάνει επίσης όραση και μάθηση με τη συμμετοχή που καλύπτει την ομιλία και την τεχνολογία επεξεργασίας τεχνολογίας.
