TL;DR
- چکیده:.
- انتقال دانش از یک معلم رمزگذار متقابل از طریق تقطیر دانش (KD) به یک پارادایم استاندارد برای آموزش.
- مدلهای بازیابی تبدیل شده است.
چه اتفاقی افتاد
چکیده:. انتقال دانش از یک معلم رمزگذار متقابل از طریق تقطیر دانش (KD) به یک پارادایم استاندارد برای آموزش.
مدلهای بازیابی تبدیل شده است. در حالی که مطالعات موجود تا حد زیادی بر روی استخراج نکات منفی سخت برای بهبود تبعیض متمرکز.
شدهاند،. ترکیب سیستماتیک دادههای آموزشی و توزیع نمره معلم در نتیجه نسبتا کمتر مورد توجه قرار گرفته است.
در این کار،. تأکید میکنیم که تمرکز صرفاً روی نکات منفی سخت،.
دانشآموز را از یادگیری ساختار ترجیحی جامع معلم باز میدارد و بهطور بالقوه مانع تعمیم میشود. برای تقلید مؤثر توزیع نمره معلم،.
ما یک استراتژی نمونهگیری طبقهای را پیشنهاد میکنیم که بهطور یکنواخت کل طیف نمره را پوشش میدهد. آزمایشها روی معیارهای درون دامنه و خارج از دامنه تأیید میکنند که نمونهگیری طبقهای،.
که واریانس و آنتروپی نمرات معلم را حفظ میکند،. بهعنوان یک خط پایه قوی عمل میکند و بهطور قابل توجهی از نمونهگیری تصادفی و بالای.
K در تنظیمات مختلف بهتر عمل میکند. این یافتهها نشان میدهد که ماهیت تقطیر در حفظ طیف متنوع نمرات نسبی درک شده توسط.
معلم نهفته است. در کنفرانس اصلی SIGIR 2026 پذیرفته شد بازیابی اطلاعات (cs.
IR) استناد بهعنوان: (یا v1 [cs. IR] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Youngjoon Jang [مشاهده ایمیل] [v1] دوشنبه،.
6 آوریل 2026،. 15:.
02:. 35 UTC (208 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.