यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह शोधपत्र पूर्व-प्रशिक्षित पहचान मॉडलों को नए परिवेशों में लागू करते समय होने वाले वितरणात्मक बदलावों के कारण प्रदर्शन में गिरावट की समस्या का समाधान करता है। मौजूदा मेटाकॉग्निटिव दृष्टिकोण मॉडल त्रुटियों को चिह्नित और फ़िल्टर करने के लिए तार्किक नियमों का उपयोग करते हैं, लेकिन सटीकता में सुधार अक्सर कम स्मरण की कीमत पर होता है। यह शोधपत्र परिकल्पना करता है कि कई पूर्व-प्रशिक्षित मॉडलों का लाभ उठाने से इस स्मरण में गिरावट को कम किया जा सकता है। हम विभिन्न मॉडलों से परस्पर विरोधी पूर्वानुमानों की पहचान और प्रबंधन की समस्या को एक संगति-आधारित आगमनात्मक अनुमान समस्या के रूप में सूत्रबद्ध करते हैं, जो अनुकूली अधिगम (ABL) की अवधारणाओं पर आधारित है, लेकिन इसे प्रशिक्षण के बजाय परीक्षण के समय लागू किया जाता है। प्रत्येक मॉडल से प्राप्त इनपुट पूर्वानुमान और सीखे गए त्रुटि संसूचन नियमों को एक तर्क कार्यक्रम में एन्कोड किया जाता है। फिर हम एक आगमनात्मक व्याख्या (मॉडल पूर्वानुमानों का एक उपसमूह) ढूंढते हैं जो तार्किक विसंगति दर (डोमेन बाधाओं से प्राप्त) को एक निर्दिष्ट सीमा से नीचे बनाए रखते हुए पूर्वानुमान कवरेज को अधिकतम करता है। हम इस ज्ञान निरूपण कार्य के लिए दो एल्गोरिदम प्रस्तावित करते हैं: पूर्णांक प्रोग्रामिंग (IP) पर आधारित एक सटीक विधि और एक कुशल अनुमानी खोज (HS)। नियंत्रित, जटिल वितरणात्मक विविधताओं वाले सिम्युलेटेड हवाई इमेजरी डेटासेट पर व्यापक प्रयोगों से पता चलता है कि हमारा संगति-आधारित आगमनात्मक अनुमान ढाँचा व्यक्तिगत मॉडलों और मानक समूह आधार रेखाओं, दोनों से बेहतर प्रदर्शन करता है, जिससे 15 विविध परीक्षण डेटासेट पर सर्वोत्तम व्यक्तिगत मॉडल की तुलना में लगभग 13.6% F1 स्कोर सुधार और 16.6% सटीकता में सुधार प्राप्त होता है। ये परिणाम दर्शाते हैं कि संगति-आधारित आगमनात्मक अनुमान का उपयोग चुनौतीपूर्ण नए परिदृश्यों में कई अपूर्ण मॉडलों से प्राप्त ज्ञान को मज़बूती से एकीकृत करने के लिए एक प्रभावी तंत्र के रूप में किया जा सकता है।
Takeaways, Limitations
•
Takeaways:
◦
हम एक नवीन ढांचा प्रस्तुत करते हैं जो संगति-आधारित प्रेरक अनुमान के माध्यम से कई पूर्व-प्रशिक्षित मॉडलों से भविष्यवाणियों को एकीकृत करता है।
◦
वितरणात्मक परिवर्तनों के प्रति सुदृढ़ मान्यता मॉडल विकसित करने की संभावना का सुझाव देना
◦
दो एल्गोरिदम के माध्यम से विभिन्न स्थितियों में प्रयोज्यता का प्रमाण: पूर्णांक प्रोग्रामिंग (आईपी) और हेयुरिस्टिक खोज (एचएस)।
◦
नकली हवाई छवि डेटासेट पर मौजूदा तरीकों की तुलना में प्रदर्शन में सुधार (F1-स्कोर में 13.6% सुधार, सटीकता में 16.6% सुधार)
•
Limitations:
◦
सिम्युलेटेड डेटासेट का उपयोग करके वास्तविक दुनिया के वातावरण में इस पद्धति की प्रयोज्यता निर्धारित करने के लिए आगे अनुसंधान की आवश्यकता है।
◦
डोमेन बाधाओं की सेटिंग और परिभाषा पर निर्भरता
◦
एल्गोरिथम की कम्प्यूटेशनल जटिलता और मापनीयता पर आगे अनुसंधान की आवश्यकता है।
◦
विभिन्न प्रकार के मान्यता मॉडल और डेटासेट के लिए सामान्यीकरण सत्यापन की आवश्यकता होती है।
