डिज़ाइन नकल सीखना (आईएल) नीतियों में कई प्राथमिकताएं शामिल हैं, जैसे कि सुविधाएँ, वास्तुकला और नीति अभ्यावेदन। यह क्षेत्र तेजी से आगे बढ़ रहा है, कई नई तकनीकों और बढ़ती जटिलता को पेश कर रहा है, जिससे सभी संभावित डिजाइनों का पता लगाना और उनके प्रभाव को समझना मुश्किल हो जाता है। IL एजेंटों को इनाम -आधारित दृष्टिकोणों के बजाय प्रदर्शन द्वारा सीखने में सक्षम बनाता है। विभिन्न डोमेन में मशीन-सीखने की सफलता की बढ़ती संख्या IL में उनके मूल्यांकन और एकीकरण को चुनौतीपूर्ण बनाती है। IL डिज़ाइन स्पेस कम कठोर है, जो प्रभावी और मजबूत IL नीतियों को चुनौतीपूर्ण बनाता है।
वर्तमान में, नकल शिक्षा राज्य -आधारित और छवि -आधारित तरीकों पर आधारित है, लेकिन दोनों के व्यावहारिक उपयोग की सीमाएं हैं। राज्य -आधारित तरीके गलत हैं; छवि-आधारित तरीके 3 डी संरचनाओं का प्रतिनिधित्व नहीं कर सकते हैं और एक अस्पष्ट लक्ष्य का प्रतिनिधित्व नहीं कर सकते हैं। लचीलेपन को बढ़ाने के लिए प्राकृतिक भाषा को जोड़ा गया है, लेकिन इसे ठीक से सम्मिलित करना मुश्किल है। अनुक्रम मॉडल की तरह आर गायब होने वाला ग्रेड खोपड़ी से ग्रस्त है, जिससे प्रशिक्षण अक्षम हो जाता है, जबकि ट्रांसफॉर्मर बेहतर स्केलेबिलिटी प्रदान करते हैं। तथापि, एसएमएसएमएस उच्च दक्षता दिखाता है लेकिन इसका उपयोग कम है। मौजूदा अपवित्र पुस्तकालय आधुनिक तकनीकों जैसे प्रसार मॉडल का समर्थन नहीं करते हैं, और क्लीनडिफ़्यूसर जैसे उपकरण सरल कार्यों तक सीमित हैं, जो नकल शिक्षा में समग्र प्रगति को सीमित करते हैं।
इन मुद्दों को कम करने के लिए, कार्लास्रुह इंस्टीट्यूट टेक्नोलॉजी फेक्नोलॉजी, मेटा और लिवरपूल विश्वविद्यालय के शोधकर्ताओं ने सूचित किया एक्स-इलनकल सीखने के लिए एक खुला स्रोत संरचना जो आधुनिक प्रौद्योगिकियों के साथ लचीले प्रयोग की अनुमति देती है। मौजूदा तरीकों के विपरीत, जो उपन्यास आर्किटेक्ट के साथ संघर्ष करते हैं, एक्स-इल Il व्यवस्थित रूप से प्रक्रिया को विभाजित करें चार मुख्य मॉड्यूल: निरीक्षण प्रस्तुति, पीछे, वास्तुकलाऔर नीति -अभ्यावेदन। यह मॉड्यूल -आधारित वास्तुकला वैकल्पिक शिक्षा रणनीतियों के परीक्षण की संभावना के साथ, उन्मूलन को आसानी से विनिमय करने की अनुमति देता है। पारंपरिक आईएल फ्रेमवर्क के विपरीत जो पूरी तरह से राज्य-आधारित या छवि-आधारित रणनीति पर आधारित है, एक्स-आईएल में अधिक व्यापक प्रस्तुति शिक्षा के लिए आरजीबी छवियों, बिंदु बादलों और भाषा का उपयोग करके मल्टी-मॉडल सीखना शामिल हो सकता है। यह एमएएमबीए और एक्सएलएसटीएम जैसी उन्नत अनुक्रम मॉडलिंग तकनीकों को भी एकीकृत करता है, जो ट्रांसफॉर्मर और आरएनएन पर दक्षता में सुधार करता है।
फ्रेमवर्क में विनिमेय मॉड्यूल शामिल हैं जो प्रत्येक चरण में अनुकूलन की अनुमति देते हैं ईल पाइपलाइन। निरीक्षण मॉड्यूल कई इनपुट विधियों का समर्थन करता है, जबकि बैकबोन मॉड्यूल विभिन्न अनुक्रम मॉडलिंग दृष्टिकोण प्रदान करता है। आर्किटेक्ट में केवल डिकोडर-केवल और एनकोडर-डिकोडर मॉडल शामिल हैं जिनमें नीति डिजाइन लचीलापन है। एक्स-आईएल स्प्रेड-आधारित और प्रवाह-आधारित मॉडल भी नीतिगत शिक्षा में सुधार करते हैं, सामान्यीकरण में सुधार करते हैं। एक्स-आईएल निर्माण प्रभावी आईएल मॉडल के निर्माण के लिए एक स्केलेबल दृष्टिकोण है, जो हाल की सफलता में सक्षम है और एक व्यवस्थित मूल्यांकन को सक्षम करता है।
शोधकर्ताओं ने रोबोटिक कार्यों का उपयोग करके नकल की वास्तुकला का मूल्यांकन किया विकसित और रोबोकासा बेंचमार्क। लिबरो में, मॉडल को 10 और 50 तरीकों के साथ चार कार्यों की मिठाई पर प्रशिक्षित किया गया था, जहां XLSTM ने उच्चतम सफलता दर हासिल की है 74.5% साथ 20% डेटा और 92.3% पूर्ण डेटा के साथ, एक सीमित प्रदर्शन से सीखना इसकी प्रभावशीलता को इंगित करता है। रोबोकासा ने विभिन्न वातावरणों के कारण अधिक चुनौतियां पेश कीं, जहां XLSTM 53.6% सफलता दर के साथ बीसी-ट्रांसफॉर्मर को दिखाता है, इसकी अनुकूलनशीलता दिखाती है। परिणाम बताते हैं कि यौगिक आरजीबी और बिंदु क्लाउड इनपुट ने प्रदर्शन में सुधार किया, XLSTM A को प्राप्त करता है 60.9% सफलता दर। एनकोडर-डिकोडर आर्किटेक्चर ने बस डिकोडर-मोडेला को पलट दिया, और फाइन-ट्यून रीसेट एन्कोडर्स ने स्थिर क्लिप मॉडल की तुलना में बेहतर प्रदर्शन किया, जो मजबूत सुविधा निष्कर्षण के महत्व को उजागर करता है। फ्लो मिलान के तरीके जैसे कि सिटिंग और आरएफ तुलनात्मक पूर्वानुमान कार्यक्षमता दिखाते हैं संकेत।
सारांश में, प्रस्तावित संरचना आर्किटेक्चर, नीति अभ्यावेदन और विधियों पर सीखने की नीतियों की खोज के लिए एक मॉड्यूलर दृष्टिकोण प्रदान करती है। परिष्कृत एन्कोडर्स और कुशल अनुक्रमिक मॉडल का समर्थन करना डेटा दक्षता में सुधार करता है और शिक्षा की शिक्षा में सुधार करता है, लिबरो और रोबोकासा पर मजबूत प्रदर्शन प्राप्त करता है। यह संरचना एक भविष्य के अनुसंधान आधार रेखा हो सकती है, नीति डिजाइन की तुलना में सक्षम बनाती है, और स्केलेबल नकल शिक्षा को आगे बढ़ाएगी। भविष्य के काम एनकोडर को शुद्ध कर सकते हैं, अनुकूली शिक्षा रणनीतियों को एकीकृत कर सकते हैं, और विभिन्न रोबोटिक कार्यों के लिए वास्तविक दुनिया के सामान्यीकरण को बढ़ा सकते हैं।
जाँच करना कागज़। इस शोध के लिए सभी श्रेय इस परियोजना के शोधकर्ताओं को जाते हैं। इसके अलावा, हमें फॉलो करने के लिए स्वतंत्र महसूस करें ट्विटर और हमसे जुड़ने के लिए मत भूलना 80K+ एमएल सबमिटेड।
। अनुशंसित रीडिंग- एलजी एआई रिसर्च नेक्सस प्रकाशित करता है: एआई डेटासेट में कानूनी चिंताओं को खत्म करने के लिए एजेंट एआई सिस्टम और डेटा अनुपालन मानकों को एकीकृत करने वाला एक उन्नत प्रणाली
Divish मार्केटकपोस्ट में एक परामर्श इंटर्न है। वह खड़गपुर के एक भारतीय संगठन प्रौद्योगिकी एफ प्रौद्योगिकी से कृषि और खाद्य इंजीनियरिंग में BTech का पीछा कर रहे हैं। यह एक डेटा साइंस और मशीन लर्निंग उत्साही है जो इन प्रमुख तकनीकों को कृषि में एकीकृत करना चाहता है और चुनौतियों को हल करना चाहता है।
🚨 अनुशंसित ओपन-सीरस एआई प्लेटफॉर्म: ‘इंटेलिजेंट एक ओपन सोर्स मल्टी-एजेंट फ्रेमवर्क है जो कॉम्प्लेक्स वार्तालाप एआई सिस्टम का मूल्यांकन करता है’ (ईडी)
