כתבה
arXiv cs.LG ·
שימוש מחדש בייצוגים לא תקינים לאתגרי תפעול לאחר הפצה
Repurposing Obsolete Representations for Post-Deployment Adaptation
מאמר זה עוסק בפיתוח פרקטיקה להתאמת דגמים עבור תפעולים שהתפתחו לאחר הפצה. הפרקטיקה, שנקראת Deep Repurposing, מאפשרת לדגמים להתאים לשינויים בתפקודים תקופה לאחר הפצתם. המאמר מציג דגם של Deep Repurposing, שמאפשר לדגמים להתאים לשינויים בתפקודים תקופה לאחר הפצתם. הדגם כולל שלושה שלבים: הראשון, שלב הגילוי, כולל חיפוש וזיהוי של השינויים בתפקודים. השלב השני, שלב התאמה, כולל תיקון והתאמה של הדגם לשינויים שנמצאו. השלב השלישי, שלב הביצוע, כולל ביצוע הדגם המתוקן. המאמר מציג תוצאות של ניסויים שנערכו על מודלים שונים, כולל GPT-5 ו-Gemini. התוצאות מציגות את יעילותה של Deep Repurposing בהתאמת דגמים לשינויים בתפקודים.
תקציר מקורי באנגליתarXiv:2610.01453v1 Announce Type: new Abstract: Deep neural networks are increasingly deployed in long-lived systems, where task requirements may change after training. In such settings, part of the original output space may become obsolete: a class, prediction region, or learned behaviour may no longer be valid. Existing approaches either leave the obsolete behaviour intact or require fine-tuning, which can be expensive. We propose Deep Repurposing (DR), a post-hoc framework for adapting models under task obsolescence. DR estimates the latent geometry of obsolete and retained regions, removes obsolete-supporting components, and reallocates retained-compatible evidence through an analytic repair map without gradient updates. This yields repaired predictions and representations in which obs
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית