ترجمه فارسی مقاله نظرسنجی در مدل MoErging: بازیافت و مسیریابی در میان کارشناسان تخصصی برای یادگیری مشارکتی

چکیده

The availability of performant pre-trained models has led to a proliferation of fine-tuned expert models that are specialized to a particular domain or task. Model MoErging methods aim to recycle expert models to create an aggregate system with improved performance or generalization. A key component of MoErging methods is the creation of a router that decides which expert model(s) to use for a particular input or application. The promise, effectiveness, and large design space of MoErging has spurred the development of many new methods over the past few years. This rapid pace of development has made it challenging to compare different MoErging methods, which are rarely compared to one another and are often validated in different experimental setups. To remedy such gaps, we present a comprehensive survey of MoErging methods that includes a novel taxonomy for cataloging key design choices and clarifying suitable applications for each method. Apart from surveying MoErging research, we inventory software tools and applications that make use of MoErging. We additionally discuss related fields of study such as model merging, multitask learning, and mixture-of-experts models. Taken as a whole, our survey provides a unified overview of existing MoErging methods and creates a solid foundation for future work in this burgeoning field.

چکیده به فارسی (ترجمه ماشینی)

در دسترس بودن مدلهای از قبل آموزش دیده ، منجر به گسترش مدلهای متخصص تنظیم شده خوب شده است که در یک دامنه یا کار خاص تخصص دارند.روشهای Model Moging با هدف بازیافت مدل های متخصص برای ایجاد یک سیستم کل با عملکرد یا تعمیم بهبود یافته.یکی از مؤلفه های اصلی روشهای Moerging ایجاد روتر است که تصمیم می گیرد از کدام مدل (های) متخصص برای استفاده یا برنامه خاص استفاده کند.نوید ، اثربخشی و فضای طراحی بزرگ Moerging باعث توسعه بسیاری از روشهای جدید طی چند سال گذشته شده است.این سرعت سریع توسعه ، مقایسه روشهای مختلف moererging ، که بندرت با یکدیگر مقایسه می شوند ، چالش برانگیز کرده است و اغلب در مجموعه های آزمایشی مختلف تأیید می شوند.برای رفع چنین شکافهایی ، ما یک بررسی جامع از روشهای مروارید ارائه می دهیم که شامل یک طبقه بندی جدید برای فهرست بندی گزینه های طراحی کلیدی و روشن کردن برنامه های مناسب برای هر روش است.جدا از بررسی تحقیقات Moerging ، ما ابزارها و برنامه های نرم افزاری موجودی را که از Moerging استفاده می کنند ، موجودی می کنیم.علاوه بر این ، ما زمینه های مرتبط با مطالعه مانند ادغام مدل ، یادگیری چند وظیفه ای و مدل های مخلوط کردن را مورد بحث قرار می دهیم.به طور کلی ، بررسی ما یک مرور کلی از روشهای موجود در مورد مروارید موجود را ارائه می دهد و پایه و اساس محکمی برای کارهای آینده در این زمینه در حال رشد ایجاد می کند.