VISTA: Производственная адаптация к трансформациям путем самоперегонки

arXiv:2604.12044v2 Annuales Type: заменить резюме: Deep Learning Models может совпадать с неоптимальными решениями, несмотря на высокую точность подтверждения достоверности, маскируя неудачу оптимизации мы называем Траектория Отклонение. Это объясняется тем, что по мере продолжения обучения модели могут отказаться от состояния высокой степени обобщения для конкретных подгрупп данных и таким образом избавиться от ранее изученных скрытых особенностей без инициирования классических переоценочных сигналов. Для решения этой проблемы мы внедряем систему ВИСТА, которая представляет собой онлайновую программу самоперегонки и обеспечивает последовательность вдоль траектории оптимизации. С использованием оценки маргинального охвата, основанной на подтверждении достоверности данных, ВИСТА выявляет экспертные якоря, которые являются более ранними положениями модели и сохраняют специализированную компетенцию в отношении отдельных регионов данных. В ходе обучения в сети интегрируется комплекс этих якорей с учетом степени охвата, что позволяет упорядочить ситуацию с потерями и сохранить приобретенные знания. При проведении оценки по нескольким контрольным показателям ВИСТА демонстрирует повышенную надежность и общее состояние