কি হয়েছে
চারজন গবেষকের একটি দল 4MAS, বা 4 মডিউল জাগ্রত/স্লিপ, নিউরাল মডেলগুলিতে ক্রমাগত শেখার জন্য একটি ম্যাক্রোআর্কিটেকচার প্রস্তাব করেছে। arXiv বিমূর্ত বলে যে এটি অসমমিত গোলার্ধ, পৃথক দীর্ঘ- এবং স্বল্প-মেয়াদী মেমরি মেকানিজম, অভিজ্ঞতা পুনরায় খেলা এবং ক্রমবর্ধমান শেখার কাজগুলির মধ্যে একটি ঘুমের সময়কে একত্রিত করে। লেখকরা স্প্লিট-এমএনআইএসটি-তে 98.3%, স্প্লিট-ফ্যাশন-এমএনআইএসটি-তে 84.9% এবং স্প্লিট-সিআইএফএআর-100-এ 29.29% নির্ভুলতার রিপোর্ট করেছেন।
arXiv রেকর্ডটি বেঞ্জামিন স্মিথ, লেভিন কুহলম্যান, কৌশিক রায় এবং গিডিয়ন কোওয়াডলোর একটি কাগজকে চিহ্নিত করে, যা 20 আগস্ট 2026-এ জমা দেওয়া হয়েছে। এর কেন্দ্রীয় বিষয় হল স্নায়ু মডেলগুলিতে ক্রমাগত শিক্ষা: পূর্বে অর্জিত তথ্য ধরে রেখে নতুন বা পরিবর্তনশীল ডেটা থেকে শেখার ক্ষমতা। লেখকরা নতুন প্যাটার্নের সাথে খাপ খাইয়ে নেওয়া এবং আগের জ্ঞান সংরক্ষণের মধ্যে মেশিন লার্নিংয়ে একটি পরিচিত ট্রেড-অফ বর্ণনা করেছেন। তারা বলে যে যখন ক্রমাগত-শিক্ষার ক্ষমতা অনুপস্থিত থাকে, তখন সিস্টেমগুলিকে একটি সম্পূর্ণ ডেটাসেটে পুনরায় প্রশিক্ষণের প্রয়োজন হতে পারে। স্টোরেজ সীমা, আর্থিক বা গণনামূলক খরচ, বা গোপনীয়তা বিধিনিষেধের কারণে মূল ডেটা অনুপলব্ধ হলে সেই পদ্ধতিটি অবাস্তব হয়ে উঠতে পারে। এগুলি কাগজের বিবৃত প্রেরণা, প্রমাণ নয় যে 4MAS এখনও অনুশীলনে সেই সীমাবদ্ধতাগুলি সমাধান করেছে।
প্রস্তাবিত সিস্টেমটিকে 4MAS বলা হয়, 4টি মডিউল জাগ্রত/ঘুমানোর জন্য সংক্ষিপ্ত। বিমূর্ত এটিকে জৈবিক মেমরি একত্রীকরণের সাথে যুক্ত ধারণা দ্বারা অনুপ্রাণিত একটি উচ্চ-স্তরের কাঠামো হিসাবে উপস্থাপন করে। এটি তিনটি ধারণার উপর দৃষ্টি নিবদ্ধ করে: অভিজ্ঞতা রিপ্লে, REM ঘুম এবং দ্বিপাক্ষিকতা। লেখকের বর্ণনায়, আর্কিটেকচারটি অসমমিত গোলার্ধ ব্যবহার করে, প্রতিটি পাশের নিজস্ব দীর্ঘমেয়াদী এবং স্বল্পমেয়াদী মেমরি মেকানিজম রয়েছে। এটি ক্রমবর্ধমান শেখার কাজের মধ্যে ঘুমের সময়কালও অন্তর্ভুক্ত করে। বিমূর্তটি নির্দিষ্ট করে না যে কীভাবে মডিউলগুলি প্রয়োগ করা হয়, কীভাবে দুটি পক্ষ কার্যক্ষমভাবে পৃথক হয়, কীভাবে তাদের মধ্যে তথ্য স্থানান্তরিত হয় বা কীভাবে ঘুমের পর্যায় মডেলের পরামিতিগুলিকে পরিবর্তন করে। তাই এটি ডিজাইনের দিকনির্দেশনা প্রতিষ্ঠা করে কিন্তু সম্পূর্ণরূপে মূল্যায়ন করার জন্য প্রয়োজনীয় প্রকৌশল বিশদ নয়।
লেখক তিনটি নামের ডেটাসেটের ফলাফল রিপোর্ট করেছেন: Split-MNIST, Split-Fashion-MNIST এবং Split-CIFAR-100। বিমূর্ত যথাক্রমে 98.3%, 84.9% এবং 29.29% সঠিকতা দেয় এবং ফলাফলগুলিকে প্রতিযোগিতামূলক হিসাবে চিহ্নিত করে। উত্সটি সেই পরিসংখ্যানগুলির পিছনে মূল্যায়ন প্রোটোকলকে সংজ্ঞায়িত করে না, যার মধ্যে টাস্ক সিকোয়েন্স, মেট্রিক গণনা, রানের সংখ্যা, অনিশ্চয়তা অনুমান বা তুলনা পদ্ধতি। রিপোর্ট করা মানগুলি চূড়ান্ত নির্ভুলতা, টাস্ক জুড়ে গড় নির্ভুলতা বা অন্য কোনও পরিমাপ কিনা তাও বলে না। চারটি মডিউলের মধ্যে কোনটি, রিপ্লে মেকানিজম, ঘুমের ব্যবধান বা দ্বিপাক্ষিক কাঠামো ফলাফলে অবদান রেখেছিল তা দেখায় বিমূর্তটি কোন বিমোচন প্রদান করে না।
কেন এটা গুরুত্বপূর্ণ
ক্রমাগত শিক্ষা AI সিস্টেমগুলির জন্য একটি কেন্দ্রীয় চ্যালেঞ্জ যা পূর্বের ক্ষমতাগুলি না হারিয়ে পরিবর্তনশীল তথ্য শোষণ করতে হবে। প্রস্তাবিত নকশা স্থাপত্য বিচ্ছেদ এবং ঘুমের মতো একত্রীকরণ সেই বাণিজ্য বন্ধ কমাতে পারে কিনা তা পরীক্ষা করার জন্য একটি গবেষণা কাঠামো সরবরাহ করে। রিপোর্ট করা ফলাফলগুলি প্রাথমিক: উত্স তাদের প্রতিযোগিতামূলক হিসাবে চিহ্নিত করে কিন্তু অগ্রণী পদ্ধতির উপর শ্রেষ্ঠত্ব প্রতিষ্ঠা করে না বা স্থাপন করা সিস্টেমে কর্মক্ষমতা প্রদর্শন করে না।
ক্রমাগত শেখার বিষয়গুলি কারণ একটি এআই সিস্টেম যা বারবার আপডেট করা হয় যখন এটি নতুনগুলি শেখে তখন আগের ক্ষমতাগুলি হারাতে পারে। কাগজটি এটিকে শুধুমাত্র একটি তাত্ত্বিক সমস্যা হিসাবে না করে একটি ব্যবহারিক সমস্যা হিসাবে ফ্রেম করে: সম্পূর্ণ মূল ডেটাসেটের বিরুদ্ধে পুনরায় প্রশিক্ষণ দেওয়া কঠিন হতে পারে যদি সেই ডেটা মুছে ফেলা আবশ্যক, সংরক্ষণ করা যায় না, প্রক্রিয়া করা ব্যয়বহুল বা গোপনীয়তার কারণে সীমাবদ্ধ থাকে। একটি মডেল যা ক্রমবর্ধমানভাবে শেখার সময় দরকারী তথ্য ধরে রাখতে পারে, নীতিগতভাবে, পুনরাবৃত্ত সম্পূর্ণ পুনরায় প্রশিক্ষণের প্রয়োজনীয়তা হ্রাস করতে পারে। উত্সটি দেখায় না যে 4MAS সেই অপারেশনাল সুবিধাগুলি অর্জন করে, তবে এটি দীর্ঘস্থায়ী এআই সিস্টেমের রক্ষণাবেক্ষণের জন্য সরাসরি প্রভাবের সাথে একটি সমস্যা চিহ্নিত করে।
কাগজটির গবেষণার অবদান হল একটি আর্কিটেকচারে বিভিন্ন মেমরি-সম্পর্কিত প্রক্রিয়াকে একত্রিত করার প্রচেষ্টা। পূর্বের তথ্য পুনরায় দেখার মাধ্যমে রিপ্লে ঠিকানা ধারণ করার অভিজ্ঞতা নিন; দীর্ঘ- এবং স্বল্পমেয়াদী মেমরি মেকানিজম মেমরি ফাংশনগুলির একটি প্রস্তাবিত বিভাজন প্রদান করে; এবং ঘুমের পর্বটি শেখার পর্বগুলির মধ্যে একত্রীকরণকে সমর্থন করার উদ্দেশ্যে। দ্বিপাক্ষিকতা একটি স্ট্রাকচারাল হাইপোথিসিস যোগ করে: অ্যাসিমেট্রিক মডেল উপাদানগুলি দরকারী অপ্রয়োজনীয়তা বা বিশেষীকরণ প্রদান করতে পারে। যদি পরবর্তী পরীক্ষাগুলি নিশ্চিত করে যে এই উপাদানগুলি একসাথে কাজ করে, ফ্রেমওয়ার্কটি গবেষকদের অধ্যয়নের আরও সুস্পষ্ট উপায় দিতে পারে যে কীভাবে স্থাপত্য সংস্থা নিউরাল মডেলগুলির স্থিতিশীলতা এবং অভিযোজনযোগ্যতাকে প্রভাবিত করে। এই পর্যায়ে, এটি একটি গবেষণার সম্ভাবনা, একটি প্রতিষ্ঠিত সুবিধা নয়।
রিপোর্ট করা বেঞ্চমার্ক সংখ্যা সংকীর্ণভাবে ব্যাখ্যা করা উচিত। তারা দেখায় যে লেখকের আর্কিটেকচার তিনটি ক্রমাগত-শিক্ষার ডেটাসেটে পরিমাপযোগ্য ফলাফল তৈরি করে, কিন্তু বিমূর্তটি প্রতিষ্ঠিত করে না যে এটি বর্তমান বিকল্পগুলির চেয়ে ভাল, প্রশিক্ষণের জন্য সস্তা, চালানোর জন্য ছোট বা বাস্তবসম্মত ডেটা পরিবর্তনের অধীনে আরও নির্ভরযোগ্য। CIFAR-100 ফলাফলটি কার্য কাঠামো এবং মূল্যায়ন পদ্ধতি না জেনে অন্য দুটি পরিসংখ্যানের সাথে সরাসরি তুলনীয় নয়। বেঞ্চমার্ক সেটআপের বাইরে ডেটা বিতরণ পরিবর্তিত হলে গোপনীয়তা-সংরক্ষণ শেখার, দীর্ঘমেয়াদী অপারেশন, বিভিন্ন টাস্ক অর্ডার বা আচরণের দৃঢ়তা সম্পর্কে উত্সটি কোনও প্রমাণ সরবরাহ করে না। কোনো বর্তমান পণ্য, পাবলিক সার্ভিস বা ব্যবহারকারী-মুখী স্থাপনা চিহ্নিত করা হয়নি।
ইন্টারেক্টিভ মেকানিজম: এটা আসলে কিভাবে কাজ করে
এই বিকাশের পিছনে অন্তর্নিহিত প্রযুক্তিটি ইন্টারেক্টিভভাবে অন্বেষণ করুন।
In AI, what are a model's "parameters"?
পরবর্তী কি দেখতে
গুরুত্বপূর্ণ পরবর্তী প্রমাণগুলি হবে বিদ্যমান ক্রমাগত-শিক্ষার পদ্ধতির সাথে বিশদ তুলনা, রিপ্লে, ঘুম এবং দ্বিপাক্ষিক বিশেষীকরণের প্রভাবগুলিকে পৃথককারী অ্যাবলেশন পরীক্ষা, এবং তিনটি রিপোর্ট করা ডেটাসেটের বাইরে বৈধতা। arXiv রেকর্ড একটি সংস্করণ-এক প্রিপ্রিন্ট; এটি পিয়ার রিভিউ, স্বাধীন প্রতিলিপি, কোডের প্রাপ্যতা, বাস্তব-বিশ্ব স্থাপনা বা আর্কিটেকচার ডেটা-ধারণ এবং পুনঃপ্রশিক্ষণের খরচ হ্রাস করে কিনা তা স্থাপন করে না।
4MAS তার চারটি মডিউল কীভাবে প্রয়োগ করে এবং গণনামূলক পরিভাষায় অসমমিত গোলার্ধের অর্থ কী তা সম্পূর্ণ কাগজে স্পষ্ট করা উচিত। বিশেষ করে, পাঠকদের প্রতিটি মডিউল কী সঞ্চয় করে, মডিউলগুলি বিভিন্ন কাজ বা ডেটা পায় কিনা, কীভাবে তাদের ভবিষ্যদ্বাণীগুলি একত্রিত হয় এবং দীর্ঘমেয়াদী এবং স্বল্পমেয়াদী মেমরির মধ্যে কীভাবে জ্ঞান চলে যায় তার একটি সুনির্দিষ্ট অ্যাকাউন্ট সন্ধান করা উচিত। ঘুমের উপাদানটিরও একটি অপারেশনাল সংজ্ঞা প্রয়োজন: এর সময়কাল, সময়সূচী, আপডেটের নিয়ম এবং রিপ্লেতে সম্পর্ক বিমূর্তটিতে দেওয়া নেই। বিবর্ধন পরীক্ষাগুলি যা একবারে একটি উপাদানকে সরিয়ে দেয় তা নির্ধারণের জন্য গুরুত্বপূর্ণ হবে রিপোর্ট করা আচরণটি দ্বিপাক্ষিকতা, রিপ্লে, ঘুমের মতো একত্রীকরণ বা কেবল স্থাপত্য ক্ষমতা বৃদ্ধি থেকে এসেছে কিনা।
আরও বৈধতার পরীক্ষা করা উচিত যে রিপোর্ট করা ফলাফলগুলি বিভিন্ন ক্রমবর্ধমান টাস্ক সিকোয়েন্স এবং বন্টন পরিবর্তনের কঠিন ফর্মগুলির অধীনে ধারণ করে কিনা। দরকারী প্রমাণের মধ্যে থাকবে প্রতিষ্ঠিত ক্রমাগত-শিক্ষার বেসলাইনের সাথে তুলনা, অনিশ্চয়তার অনুমান সহ বারবার পরীক্ষা, ভুলে যাওয়ার পরিমাপ এবং সঠিকতা, এবং পরামিতি গণনার জন্য অ্যাকাউন্টিং, প্রশিক্ষণের সময় এবং মেমরি ব্যবহার। উৎসের নাম শুধুমাত্র Split-MNIST, Split-Fashion-MNIST এবং Split-CIFAR-100। এটি অন্যান্য ডেটাসেট, পদ্ধতি, বৃহত্তর মডেল বা সেটিংসের কার্যকারিতা স্থাপন করে না যেখানে মূল প্রশিক্ষণ ডেটা প্রকৃতপক্ষে অনুপলব্ধ। এই পরীক্ষাগুলি নির্ধারণ করবে যে আর্কিটেকচার লেখকদের দ্বারা বর্ণিত ব্যবহারিক প্রেরণাকে সম্বোধন করে কিনা।
arXiv পৃষ্ঠাটি জমাটিকে প্রথম সংস্করণ হিসাবে চিহ্নিত করে এবং বলে না যে কাজটি সমকক্ষ পর্যালোচনার মধ্য দিয়ে গেছে। দেখার জন্য পরবর্তী সংকেতগুলি হল স্বাধীন প্রতিলিপি, পাবলিক কোড এবং পরীক্ষার কনফিগারেশন এবং যে কোনও সংশোধিত সংস্করণ যা অনুপস্থিত পদ্ধতিগত বিবরণ সরবরাহ করে। এটিও অজানা যে লেখকদের পদ্ধতি বেঞ্চমার্ক-আকারের পরীক্ষা-নিরীক্ষার বাইরে স্কেল করতে পারে বা এর অতিরিক্ত মডিউল এবং স্লিপ ফেজ অর্থপূর্ণ কম্পিউটেশনাল বা মেমরি খরচ আরোপ করতে পারে কিনা। এই প্রশ্নগুলির উত্তর না পাওয়া পর্যন্ত, 4MAS কে প্রোডাকশন এআই সিস্টেমের জন্য একটি প্রদর্শিত সমাধানের পরিবর্তে প্রাথমিক বেঞ্চমার্ক ফলাফল সহ একটি প্রস্তাবিত গবেষণা স্থাপত্য হিসাবে ভালভাবে বোঝা যায়।