بررسی و تحلیل روش‌های جدید در انتقال یادگیری و کاربردهای آن در حوزه‌های مختلف

مرجان تاج دینی¹

1) مهندسی کامپیوتر، دانشگاه آزاد اسلامی اهواز، خوزستان، ایران

محل انتشار : اولین کنفرانس بین المللی رویکردهای نوین در مهندسی و علوم پایه(icnabs.ir)
چکیده :
انتقال یادگیری به عنوان یک فرآیند کلیدی در بهبود عملکرد مدل‌های هوش مصنوعی، به ویژه در حوزه‌های یادگیری عمیق، توجه زیادی را به خود جلب کرده است. در این مقاله، به بررسی روش‌های جدید در انتقال یادگیری می‌پردازیم که شامل تکنیک‌های پیشرفته‌ای مانند یادگیری چند وظیفه‌ای، یادگیری مبتنی بر دانش، و تکنیک‌های انتقال در فضای ویژگی می‌باشد. این روش‌ها به ویژه در زمینه‌هایی نظیر پردازش زبان طبیعی، بینایی ماشین، و یادگیری تقویتی کاربردهای گسترده‌ای دارند. در حوزه پردازش زبان طبیعی، مدل‌های پیش‌آموزش‌دیده نظیر BERT و GPT توانسته‌اند با بهره‌گیری از انتقال یادگیری، دقت بالایی در وظایف مختلف مانند تحلیل احساسات و ترجمه متن به دست آورند. در بینایی ماشین، شبکه‌های عصبی کانولوشن با استفاده از ویژگی‌های استخراج‌شده از مدل‌های پیشین، به طور مؤثری در تشخیص اشیاء و تصاویر پزشکی عمل می‌کنند. این مقاله همچنین به بررسی چالش‌ها و محدودیت‌های موجود در انتقال یادگیری، از جمله مسأله فراموشی و نیاز به حجم داده‌های بزرگ در حوزه‌های خاص می‌پردازد. در نهایت، به پیشنهاداتی برای تحقیقات آینده و بهبود روش‌های انتقال یادگیری در راستای افزایش کارایی و کاهش هزینه‌ها اشاره می‌شود. این بررسی نشان می‌دهد که انتقال یادگیری می‌تواند به عنوان ابزاری کارآمد در توسعه مدل‌های هوش مصنوعی با قابلیت‌های بالا و کاربردهای متنوع در صنایع مختلف عمل کند.
کلمات کلیدی : انتقال یادگیری هوش مصنوعی یادگیری عمیق