TL;DR
- چکیده:.
- تصمیمگیری متوالی وابسته به زمینه معمولاً یا با ارائه متن بهطور صریح بهعنوان ورودی یا با افزایش.
- حافظه تکراری بهطوری که اطلاعات متنی را میتوان به صورت داخلی نشان داد پرداخته میشود.
چه اتفاقی افتاد
چکیده:. تصمیمگیری متوالی وابسته به زمینه معمولاً یا با ارائه متن بهطور صریح بهعنوان ورودی یا با افزایش.
حافظه تکراری بهطوری که اطلاعات متنی را میتوان به صورت داخلی نشان داد پرداخته میشود. ما یک جایگزین سوم را مطالعه میکنیم:.
تحقق وابستگی زمینهای با مداخله در یک حالت نهفته مکرر مشترک،. بدون بزرگنمایی ابعاد مکرر.
برای این منظور،. ما یک معماری بازگشتی مبتنی بر مداخله را معرفی میکنیم که در آن یک هسته مکرر ابتدا یک.
حالت پنهان قبل از مداخله مشترک ایجاد میکند،. و سپس زمینه از طریق یک اپراتور افزودنی و نمایهسازی زمینه عمل میکند.
ما این ایده را در یک تکلیف تصمیمگیری متوالی تغییر بافت و تحت قابلیت مشاهده جزئی ارزیابی میکنیم. ما سه خانواده مدل را با هم مقایسه میکنیم:.
یک خط پایه به کمک برچسب با دسترسی مستقیم به بافت،. یک خط پایه حافظه با حالت عودکننده بزرگشده،.
و مداخله پیشنهادی مدلی که از هیچ ورودی متنی مستقیم به هسته بازگشتی و رشد حافظه استفاده نمی. کند.
در معیار اصلی، مدل مداخله به شدت بدون ابعاد مکرر اضافی عمل میکند. ما همچنین مدلها را با استفاده از اطلاعات متقابل شرطی (I(C; O.
S)) بهعنوان یک کاوشگر عملیاتی با انگیزه قضیه از وابستگی متنی در حالت نهفته ثابت ارزیابی میکنیم. برای پیامدهای فاز 1 مربوط به کار، مدل مداخله اطلاعات زمینهای مشروط مثبت را نشان میدهد.
با هم،. این نتایج نشان میدهد که مداخله در یک حالت تکراری مشترک،.
جایگزین مناسبی برای رشد حافظه مکرر برای کنترل زمینهای در این تنظیمات فراهم میکند. صفحه، 3 شکل هوش مصنوعی (cs.
AI) استناد بهعنوان: (یا v1 [cs. AI] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Song-Ju Kim Dr.
[مشاهده ایمیل] [v1] جمعه، 3 آوریل 2026، 21: 58: 29 UTC (10,811 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.