噪声设置下的遗忘训练数据。MUST的Metaverse的承诺比生命更重要…

噪声设置下的遗忘训练数据。MUST的Metaverse的承诺比生命更重要…

文学作品中说,“有时我们通过遗忘来生存”。在人工智能和机器智能的发展和进步中,这一任务变得更加活跃。我们发现典型的机器学习模型在持续学习中失败。这是一种遗忘某些新趋势的倾向,当暴露在训练或学习新任务时,特别是对神经网络甚至是人脑来说。这通常被称为灾难性的遗忘。对于一个智能系统来说,这种行为是很现实的,因为在不同的新任务中,输入的分布可能是非常随机的。

近年来,全球的注意力没有被吸引到这一重要的人工智能现象,即遗忘。对于任何流的持续学习设置,我们认为学习过程应该是随机优化的,有一个规定的时间线。通常情况下,在随机梯度下降(SGD)优化中,任何任务的快照都可以被称为一个微小的 “任务”,作为新的任务提交给网络来学习。 让我们从MUST婚介平台的角度来举一个例子。为了达到最佳匹配的目的,MUST遵循一个监督模型来训练系统。监督模型包括几个公司的不同数据特征,如他们的生产、类别、供应细节等等。如果我们考虑用固定数量的属性来训练我们的模型,这就变得很现实了。然而,真正的挑战是,这些特征是动态变化的,很少有实际需要引入新的特征和新的任务或流程来学习,以实现网络人员的最佳匹配。在时间优化方面,良好的学习意味着模型可以很好地回忆起在某个时间t,0<t时的分类。如果可用的数据没有被优化以处理这些新的任务和特征之后,它就会失败。

在这一点上,对于MUST的匹配,我们引入了多任务程序,同时用定义明确的随机梯度优化来呈现数据特征。这将足以以一种更通用的方式解决这种任务和特征的错误分类。

因此,尽管数据的动态特征,终端用户将享受到准确的匹配伙伴,而不会出现交叉,永远不会被人工智能模型所遗忘。

这项调查的焦点取决于。

– 对企业增加的每个新功能保持适当的启发式权重,以便进行训练。

– 要对任务和功能的优先级进行优化匹配

– 最后,对Must平台要处理的数据量进行智能优化,以获得可扩展的解决方案。

因此,通过Must Metaverse平台,参与者可以扩展到执行以下任务,同时以AI/ML为主导成分。

  • 分析客户数据以了解他们的需求和愿望
  • 开发新产品和服务的原型
  • 如果需要,通过Must Pavilion创建新产品和服务的现实模拟
  • 在新产品和服务发布前对其进行测试。
  • 分享和互动最佳匹配实践。

Must Metaverse在创造未来的 “数字人类平台 “的道路上前进

在Must,我们始终相信,遗忘是任何一个最终用户所不能接受的,因此我们遵循这句古老的谚语,即 纳尔逊-曼德拉说:”我从未失去或忘记,我要么赢,要么学习”…