<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0"
     xmlns:content="http://purl.org/rss/1.0/modules/content/"
     xmlns:media="http://search.yahoo.com/mrss/"
     xmlns:atom="http://www.w3.org/2005/Atom">

<channel>

    <atom:link
        href="https://shesht.am/tag/%d5%be%d5%a5%d6%80%d5%a1%d6%80%d5%bf%d5%a1%d5%a4%d6%80%d5%a5%d5%ac%d5%ab%d5%b8%d6%82%d5%a9%d5%b5%d5%b8%d6%82%d5%b6/feed"
        rel="self"
        type="application/rss+xml"
    />

    <lastBuildDate>Sun, 08 Nov 2026 14:04:29 +0000</lastBuildDate>

    <title>Շեշտ.am (shesht.am) - Feed</title>

    <description>Շեշտ.am – նորություններ եւ ոչ միայն</description>

    <link></link>

    
        
        <item>

            <guid isPermaLink="false">https://shesht.am/?p=20987</guid>

            <pubDate>Sun, 08 Nov 2026 09:08:34 +0000</pubDate>

            <title>Նեյրացանցերի ուսուցման անկայունությունը կապել են ֆրակտալ կառուցվածքի հետ</title>

            <description><![CDATA[<p>Ավստրալիացի հետազոտողները նեյրացանցերի ուսուցման արդյունքների տարբերությունը կապել են մեկնարկային պայմանների ֆրակտալ կառուցվածքի հետ։ Նրանց փորձերում նույնիսկ գրեթե նույն կարգավորումներով ուսուցանված ցանցերը կարող էին տարբեր պատասխաններ տալ։</p>
]]></description>

            
                <media:content
                    url="https://shesht.am/wp-content/uploads/2026/11/shesht-ai-fractal-cover-20261108.jpg"
                                            type="image/jpeg"
                                        expression="full"
                >

                    <media:description type="plain"><![CDATA[Նեյրացանցերի ուսուցման անկայունությունը կապել են ֆրակտալ կառուցվածքի հետ]]></media:description>

                </media:content>

            
            <content:encoded><![CDATA[Սիդնեյի համալսարանի ֆիզիկոսներ Էնդրյու Լայն ու Պուլին Գոնգը արդյունքները ներկայացրել են նոյեմբերի 5-ին Nature Machine Intelligence-ում հրապարակված հոդվածում։ Համալսարանը աշխատանքի մասին հաղորդել է նոյեմբերի 6-ին։
Նեյրացանցը սովորելիս աստիճանաբար փոփոխում է իր ներքին պարամետրերը։ Հեղինակները մեկնարկային կարգավորումները դիտարկել են որպես քարտեզի կետեր. նույն վերջնական լուծմանը տանող կետերը կազմում են ձգողության ավազան։ Եթե տարբեր ավազանները խիտ միահյուսված են, գրեթե կողք կողքի գտնվող մեկնարկները կարող են բերել տարբեր լուծումների։
Պարզ՝ երկշերտ ցանցի համար գիտնականները մաթեմատիկորեն ցույց են տվել նման ֆրակտալ կառուցվածքի առաջացման պայմանները։ Ավելի բարդ ցանցերում նրանք հայտնաբերել են նույն մեխանիզմին համապատասխանող նշաններ։ Այդ դեպքերում մեկնարկային պարամետրերի ճշգրտության մեծացումը միշտ չէ, որ օգնում է կանխատեսել ուսուցման վերջնական արդյունքը։
Հետազոտողները ընդհանուր առմամբ ուսուցանել են շուրջ 500 հազար նեյրացանց՝ տարբեր ճարտարապետություններով, տվյալներով և ուսուցման եղանակներով։ Փորձերը ներառել են պատկերների ճանաչում և տեքստերի հուզական երանգի դասակարգում։ Էֆեկտը պահպանվել է նաև այնպիսի հաշվարկներում, որտեղ վերացված էին արտաքին պատահականության աղբյուրները։
Պատկերներ դասակարգող ցանցի ուսումնասիրված տարբերակներից մեկում մեկնարկային անորոշությունը տասը միլիարդ անգամ փոքրացնելը գործնականում չի բարելավել արդյունքների վերարտադրելիությունը։ Հեղինակները ստուգել են ոչ միայն ներքին պարամետրերը, այլև ցանցերի պատասխանները. գրեթե նույն մեկնարկներով ուսուցանված զույգերի կանխատեսումները միջինում տարբերվել են մուտքային օրինակների մոտ 2,9 տոկոսի համար։
Փորձարկված կարգավորումների մեծ մասում ավելի փոքր ուսուցման քայլը բարձրացրել է վերարտադրելիությունը, սակայն վատացրել ուսուցման արդյունավետությունը։ Հեղինակներն առաջարկում են անկայունությունը գնահատել նաև ցանցերի պատասխանների տարբերությամբ։ Աշխատանքը չի ապացուցում, որ բոլոր նեյրացանցերը նույն չափով անկանխատեսելի են. այն բացահայտում է հնարավոր մեխանիզմ և դրա ստուգման գործիքներ։]]></content:encoded>

            <link>https://shesht.am/science/ai-training-fractal-limits</link>

            <author>info@shesht.am (Շեշտ.am (shesht.am))</author>

        </item>

    
</channel>

</rss>