HRMs bahnbrechende Lernfähigkeit bei kleinen Stichproben
HRM unterscheidet sich von herkömmlichen KI-Modellen, die auf umfangreiche Trainingsdaten angewiesen sind, und erreicht durch eine innovative Architektur eine Lernfähigkeit mit kleinen Stichproben. Bei der extremen Schwierigkeitsaufgabe Sudoku 9×9 erreicht es mit nur 1.000 Trainingsproben eine Genauigkeitsrate von über 98%. Der Schlüssel zu seiner Technologie ist:
- Symbolische Berechnungsmethoden als Alternative zum datengesteuerten Lernen
- Hierarchische Darstellung extrahiert automatisch die wesentlichen Merkmale des Problems
- Dynamische Gewichtung je nach den Anforderungen der jeweiligen Aufgabe
In realen Tests zeigte das Modell ein deutlich besseres abstraktes Denken in der kognitiven ARC-Testreihe als Modelle mit einer 100-mal größeren Anzahl von Parametern, was die Raffinesse seiner Architektur bestätigt. Die Forscher stellen fest, dass dieser Durchbruch neue Wege für den Einsatz von intelligenten Schlussfolgerungen in Edge-Geräten eröffnen wird.
Diese Antwort stammt aus dem ArtikelHRM: Hierarchische Begründungsmodelle für komplexes BegründenDie
