MIT tədqiqatçıları 20-dən çox klassik maşın öyrənmə alqoritmlərinin necə əlaqəli olduğunu göstərən dövri cədvəl yaradıblar. Yeni çərçivə elm adamlarının mövcud süni intellekt modellərini təkmilləşdirmək və ya yenilərini yaratmaq üçün müxtəlif üsullardan strategiyaları necə birləşdirə biləcəyinə işıq salır.

Məsələn, tədqiqatçılar iki fərqli alqoritmin elementlərini birləşdirmək üçün öz çərçivələrindən istifadə edərək, mövcud ən müasir yanaşmalardan 8% daha yaxşı performans göstərən yeni təsvir təsnifat alqoritmini yaratdılar.

Dövri cədvəl bir əsas fikirdən qaynaqlanır: Bütün bu alqoritmlər məlumat nöqtələri arasında müəyyən bir əlaqə növü öyrənir. Hər bir alqoritm bunu bir qədər fərqli şəkildə həyata keçirə bilsə də, hər yanaşmanın arxasındakı əsas riyaziyyat eynidir.

Bu anlayışlara əsaslanaraq, tədqiqatçılar bir çox klassik süni intellekt alqoritmlərinin əsasını təşkil edən birləşdirici tənlik müəyyən etdilər. Onlar bu tənlikdən məşhur metodları yenidən çərçivəyə salmaq və öyrəndiyi təxmini əlaqələr əsasında hər birini kateqoriyalara ayıraraq cədvəl şəklində yerləşdirmək üçün istifadə etdilər.

Əvvəlcə elm adamları tərəfindən doldurulmuş boş kvadratlar olan kimyəvi elementlərin dövri cədvəli kimi, maşın öyrənməsinin dövri cədvəlində də boş yerlər var. Bu boşluqlar alqoritmlərin harada olması lazım olduğunu proqnozlaşdırır, lakin hələ kəşf edilməmişdir.

Cədvəl tədqiqatçılara əvvəlki yanaşmalardan ideyaları yenidən kəşf etməyə ehtiyac olmadan yeni alqoritmlər tərtib etmək üçün alətlər dəsti verir, MIT aspirantı və bu yeni çərçivə haqqında məqalənin aparıcı müəllifi Şaden Alshammari deyir .

“Bu, sadəcə bir metafora deyil” deyə Alshammari əlavə edir. “Biz maşın öyrənməsini sadəcə olaraq keçəcəyimizi təxmin etməkdənsə, araşdıra biləcəyimiz bir məkan olan strukturu olan bir sistem kimi görməyə başlayırıq.”

O, Google AI Perception tədqiqatçısı John Hershey tərəfindən kağıza qoşulur; Axel Feldmann, MIT aspirantı; William Freeman, Tomas və Gerd Perkins Elektrik Mühəndisliyi və Kompüter Elmləri Professoru və Kompüter Elmləri və Süni İntellekt Laboratoriyasının (CSAIL) üzvü; və böyük müəllif Mark Hamilton, MIT aspirantı və Microsoft-da baş mühəndislik meneceri. Tədqiqat Öyrənmə Nümayəndəlikləri üzrə Beynəlxalq Konfransda təqdim olunacaq.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=2793866484&adk=2520359048&adf=746485419&pi=t.ma~as.2793866484&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1745488738&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-04-periodic-table-machine-framework-ai.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM1LjAuNzA0OS45NiIsbnVsbCwwLG51bGwsIjY0IixbWyJHb29nbGUgQ2hyb21lIiwiMTM1LjAuNzA0OS45NiJdLFsiTm90LUEuQnJhbmQiLCI4LjAuMC4wIl0sWyJDaHJvbWl1bSIsIjEzNS4wLjcwNDkuOTYiXV0sMF0.&dt=1745488733086&bpp=1&bdt=90&idt=133&shv=r20250423&mjsv=m202504210101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1745488733%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1745488733%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3De43bb863646b60b8%3AT%3D1735367325%3ART%3D1745488733%3AS%3DAA-AfjbQoPwZqH28q9IwcCLRSzzg&prev_fmts=0x0%2C1905x945&nras=2&correlator=1084184757694&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1853&biw=1905&bih=945&scr_x=0&scr_y=0&eid=95357461%2C95357877%2C95356661%2C95356809%2C95357715&oid=2&pvsid=5673399786385191&tmod=314706062&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=5237

Təsadüfi bir tənlik

Tədqiqatçılar maşın öyrənməsinin dövri cədvəlini yaratmağı qarşısına məqsəd qoymadılar.

Freeman Laboratoriyasına qoşulduqdan sonra Alshammari, oxşar şəkilləri yaxınlıqdakı klasterlərə təşkil etməyi öyrənərək şəkilləri təsnif edən maşın öyrənmə texnikası olan klasterləşdirməni öyrənməyə başladı.

O, öyrəndiyi qruplaşma alqoritminin təzadlı öyrənmə adlanan başqa bir klassik maşın öyrənmə alqoritminə bənzədiyini başa düşdü və riyaziyyatı daha dərindən öyrənməyə başladı. Alshammari tapdı ki, bu iki fərqli alqoritm eyni əsas tənlikdən istifadə edərək yenidən çərçivəyə salına bilər.

“Biz bu birləşdirici tənliyə demək olar ki, təsadüfən çatdıq. Şaden bunun iki metodu birləşdirdiyini kəşf etdikdən sonra biz bu çərçivəyə daxil etmək üçün yeni üsullar yaratmağa başladıq. Demək olar ki, cəhd etdiyimiz hər bir tənliyə əlavə edilə bilərdi”, – Hamilton deyir.

Onların yaratdığı çərçivə, informasiyanın təzadlı öyrənməsi (I-Con), müxtəlif alqoritmlərə bu birləşdirici tənliyin obyektivindən necə baxıla biləcəyini göstərir. Buraya spamı aşkar edə bilən təsnifat alqoritmlərindən tutmuş LLM-ləri gücləndirən dərin öyrənmə alqoritmlərinə qədər hər şey daxildir.

Tənlik belə alqoritmlərin real məlumat nöqtələri arasında əlaqələri necə tapdığını və sonra bu əlaqələri daxili olaraq necə təxmin etdiyini təsvir edir.

Hər bir alqoritm təqribən öyrəndiyi əlaqələrlə təlim məlumatlarında real əlaqələr arasındakı sapmanın miqdarını minimuma endirməyi hədəfləyir.

Nöqtələrin real məlumat dəstlərində necə bağlandığına və alqoritmlərin bu əlaqələri təxmin edə biləcəyi əsas üsullara əsaslanaraq alqoritmləri təsnif etmək üçün I-Con-u dövri cədvəldə təşkil etmək qərarına gəldilər.

“İş tədricən getdi, lakin biz bu tənliyin ümumi strukturunu müəyyən etdikdən sonra çərçivəmizə daha çox metod əlavə etmək asan oldu” dedi Alshammari.

Kəşf etmək üçün bir vasitə

Cədvəl tərtib edərkən, tədqiqatçılar alqoritmlərin mövcud ola biləcəyi, lakin hələ icad edilməmiş boşluqları görməyə başladılar.

Tədqiqatçılar təzadlı öyrənmə adlanan maşın öyrənmə texnikasından ideyalar götürərək və onları görüntü klasterinə tətbiq etməklə bir boşluğu doldurdular. Bu, etiketsiz şəkilləri digər müasir yanaşmadan 8% daha yaxşı təsnif edə bilən yeni alqoritmlə nəticələndi.

Onlar həmçinin, təzadlı öyrənmə üçün hazırlanmış məlumatların silinməsi texnikasının klasterləşdirmə alqoritmlərinin dəqiqliyini artırmaq üçün necə istifadə oluna biləcəyini göstərmək üçün I-Con-dan istifadə etdilər.

Bundan əlavə, çevik dövri cədvəl tədqiqatçılara əlavə məlumat nöqtələri əlaqələrini təmsil etmək üçün yeni sətirlər və sütunlar əlavə etməyə imkan verir.

Nəhayət, bir bələdçi kimi I-Con-a sahib olmaq, maşın öyrənmə alimlərinə qutudan kənarda düşünməyə kömək edə bilər və onları fikirlərini başqa cür düşünmədikləri şəkildə birləşdirməyə təşviq edə bilər, Hamilton deyir.

“Biz göstərdik ki, məlumat elminə əsaslanan çox zərif bir tənlik sizə maşın öyrənməsi sahəsində 100 illik tədqiqatı əhatə edən zəngin alqoritmlər verir. Bu, kəşf üçün bir çox yeni yollar açır”, – o əlavə edir.

Daha çox məlumat: Shaden Naif Alshammari et al. Nümayəndəliyin öyrənilməsi üçün birləşdirici çərçivə, ICLR 2025 Konfransı (2025). openreview.net/forum?id=WfaQrKCr4XMassaçusets Texnologiya İnstitutu tərəfindən təmin edilmişdir