EMAN: Nuovo framework di IA per la crescita della capacità guidata dall'ottimizzazione nell'apprendimento multi-task
La Rete Atomica Modulare Emergente (EMAN), descritta in arXiv:2608.16930v1, introduce un approccio guidato dall'ottimizzazione alla crescita della capacità nell'apprendimento multi-task. A differenza dei metodi basati su condivisione rigida, percorsi multipli, condivisione adattiva o espansione dinamica—i cui cambiamenti di capacità sono vincolati da strutture predefinite o attivati da confini di task—EMAN parte da un calcolo a percorso singolo e crea un nuovo percorso indipendente solo quando emergono prove persistenti di ottimizzazione. Il framework rileva una direzione di crescita antisimmetrica tramite fasi relative latenti senza istanziare un secondo percorso, e monitora i segnali decisionali per trasformare le prove di ottimizzazione locali in decisioni strutturali. EMAN materializza due percorsi di capacità uguale solo dopo la certificazione, quindi alloca in modo adattivo la capacità di rappresentazione condivisa e specifica per il task.
Fatti principali
- EMAN è un framework guidato dall'ottimizzazione per l'apprendimento multi-task.
- Inizia da un calcolo esatto a percorso singolo.
- Può far crescere un nuovo percorso indipendente basandosi su prove persistenti di ottimizzazione.
- Espone una direzione di crescita antisimmetrica attraverso fasi relative latenti.
- Evita di istanziare un secondo percorso fino alla certificazione.
- Monitora molteplici segnali decisionali durante l'addestramento.
- Materializza due percorsi indipendenti di uguale capacità dopo la certificazione.
- Alloca in modo adattivo la capacità di rappresentazione condivisa e specifica per il task.
Entità
—