对抗「概念飘逸」难题！谷歌发布全新时间感知框架：图像识别准确率提升15%

模型信息

【模型公司】 月之暗面
【模型名称】 moonshot-v1-32k
【摘要评分】 ★★★☆☆

文章摘要

【关 键 词】 概念漂移、MUSCATEL、机器学习、时空穿越、持续学习

新智元报道了Google AI研究人员提出的新方法MUSCATEL（Multi-Scale Temporal Learning），旨在解决机器学习中的长期问题——概念漂移。概念漂移指的是数据分布随时间变化，导致模型难以持续有效。MUSCATEL通过优化模型在未来实例中的表现，解决了传统在线学习和持续学习方法的局限性。该方法在大型真实数据集上实验，准确率提升了15%，并在其他数据集和持续学习环境中也展现出优于现有最佳方法的效果。

MUSCATEL的核心在于训练实例的重要性分配分数，通过引入辅助模型与主模型协同学习，解决了忽略过去数据信息和数据实例贡献不均匀衰减的问题。在大规模照片分类任务中，MUSCATEL有意识地调整了对过去数据的准确性，以换取测试期间性能的显著提升。此外，MUSCATEL还展现了在多种数据来源和模式的广泛适用性，为大规模数据处理挑战提供了新的解决方案。

原文信息

【原文链接】 阅读原文
【阅读预估】 1899 / 8分钟
【原文作者】 新智元
【作者简介】 智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人革命对人类社会与文明进化的影响，领航中国新智能时代。