В пресс-службе Высшей школы экономики сообщили, что специалисты вуза разработали подход, который повышает эффективность обучения генеративных потоковых нейросетей. Эти алгоритмы машинного обучения создают сложные объекты поэтапно и применяются для решения неструктурированных задач, таких как поиск новых лекарственных препаратов или оптимизация транспортных систем.
Генеративные потоковые сети обычно состоят из двух частей: прямой и обратной модели. Прямая модель собирает объект из базовых элементов, а обратная — анализирует его, определяя цепочку действий, которая привела к его созданию. Ключевой проблемой до сих пор было поддержание баланса между этими компонентами, особенно в работе обратной модели.
Новый метод сделал процесс поиска решений более гибким. Как объяснили исследователи, он напоминает переговоры, где обе стороны готовы корректировать свою позицию. Это особенно важно в задачах с высокой степенью неопределенности, где обратная модель играет вспомогательную роль.
Разработка ускоряет просмотр пространства возможных решений и позволяет находить больше качественных вариантов по сравнению с существующими методами. Это не только ускоряет создание ИИ, но и снижает нагрузку на вычислительные ресурсы.
