Службата за пресата на висшето училище по икономика съобщи, че университетските експерти са разработили подход, който повишава ефективността на обучението в генеративни стрийминг на невронни мрежи. Тези алгоритми за машинно обучение създават сложни обекти на етапи и се използват за решаване на неструктурирани проблеми, като търсене на нови лекарства или оптимизиране на транспортните системи.
Генеративните стрийминг мрежи обикновено се състоят от две части: прав и обратен модел. Директен модел събира обект от основни елементи, а обратното – анализира го, определяйки веригата от действия, довели до създаването му. Ключовият проблем все още е поддържането на баланса между тези компоненти, особено при работата на обратния модел.
Новият метод направи процеса на търсене на решения по -гъвкав. Както обясниха изследователите, това прилича на преговори, при които и двете страни са готови да коригират позицията си. Това е особено важно при задачите с висока степен на несигурност, където обратният модел играе спомагателна роля.
Разработката ускорява разглеждането на пространството на възможните решения и ви позволява да намерите по -качествени опции в сравнение със съществуващите методи. Това не само ускорява създаването на AI, но също така намалява натоварването на изчислителните ресурси.
