ทีมวิจัยของ Google เพิ่งเปิดตัวโมเดลการพัฒนา - Transnar ซึ่งผสมผสานสถาปัตยกรรมหม้อแปลงเข้ากับเทคโนโลยีการใช้เหตุผลอัลกอริธึม (NAR) อย่างชาญฉลาดเพื่อปรับปรุงประสิทธิภาพการทำงานอย่างมีนัยสำคัญในงานอัลกอริทึมที่ซับซ้อน นวัตกรรมนี้ไม่เพียง แต่แก้ข้อ จำกัด ของหม้อแปลงแบบดั้งเดิมในการใช้เหตุผลอัลกอริทึมเท่านั้น แต่ยังเป็นโซลูชั่นใหม่ที่สมบูรณ์สำหรับการประมวลผลข้อมูลที่มีโครงสร้าง
หม้อแปลงแบบดั้งเดิมมักเผชิญกับความท้าทายที่ไม่สามารถจับข้อมูลที่มีโครงสร้างได้อย่างมีประสิทธิภาพเมื่อจัดการกับปัญหาอัลกอริทึมในขณะที่เทคโนโลยี NAR ทำงานได้ดีในเรื่องนี้โดยเฉพาะอย่างยิ่งในความสามารถทั่วไป Transnar ประสบความสำเร็จในการรวมความสามารถในการประมวลผลข้อความของหม้อแปลงเข้ากับความสามารถในการเป็นตัวแทนกราฟของ NAR โดยการแนะนำกลไกการแทรกแซงข้าม ชุดค่าผสมนี้ช่วยให้โมเดลสามารถประมวลผลคำอธิบายข้อความและข้อมูลโครงสร้างกราฟพร้อมกันดังนั้นจึงแสดงข้อได้เปรียบที่ไม่เคยเกิดขึ้นมาก่อนในงานการอนุมานอัลกอริทึม
กลยุทธ์การฝึกอบรมของ Transnar ก็มีเอกลักษณ์เช่นกัน ในช่วงก่อนการฝึกอบรมโมดูล NAR จะได้รับการฝึกฝนอย่างอิสระและเรียนรู้ขั้นตอนตรรกะและการคำนวณโดยธรรมชาติโดยการดำเนินงานอัลกอริทึมหลายงาน กระบวนการนี้วางรากฐานอัลกอริทึมที่เป็นของแข็งสำหรับแบบจำลอง ในขั้นตอนการปรับแต่ง TransNAR ได้รับอินพุตคู่จากคำอธิบายข้อความและการแสดงกราฟและใช้ข้อมูลการฝังโหนดที่จัดทำโดยโมดูล NAR ที่ผ่านการฝึกอบรมมาก่อนเพื่อปรับการฝังเครื่องหมายของตัวเองผ่านกลไกการเชื่อมโยงข้าม วิธีการฝึกอบรมหลายระดับนี้ช่วยให้แบบจำลองสามารถปรับให้เข้ากับงานอัลกอริทึมที่ซับซ้อนได้ดีขึ้น
ในการทดสอบจริงประสิทธิภาพของ Transnar นั้นเกินกว่าแบบจำลองหม้อแปลงแบบดั้งเดิมโดยเฉพาะอย่างยิ่งในความสามารถในการวางนัยทั่วไปนอกการกระจายแสดงการปรับปรุงประสิทธิภาพมากกว่า 20% ความสำเร็จนี้ไม่เพียง แต่ตรวจสอบความสามารถอันทรงพลังของโมเดลเท่านั้น แต่ยังให้การสนับสนุนที่แข็งแกร่งสำหรับแอปพลิเคชันในอนาคตในงานอัลกอริทึมที่หลากหลาย
ประเด็นสำคัญ:
⭐ Google เปิดตัวโมเดล Transnar ซึ่งรวมหม้อแปลงเข้ากับเทคโนโลยี NAR ซึ่งเป็นการปรับปรุงความสามารถในการใช้เหตุผลของอัลกอริทึม
⭐ Transnar ใช้กลไกการแทรกแซงข้ามการรวมการประมวลผลข้อความและความสามารถในการแสดงกราฟอย่างลึกซึ้งและดำเนินการอย่างยอดเยี่ยมในงานอัลกอริทึมที่ซับซ้อน
⭐กลยุทธ์การฝึกอบรมหลายระดับทำให้ TransNAR ดีกว่าหม้อแปลงแบบดั้งเดิมในงานอัลกอริทึมโดยเฉพาะอย่างยิ่งในความสามารถในการวางนัยทั่วไป