نموذج مُدرّب يمكنه توليد مجموعة بيانات من تسلسلات أرقام تبدو عشوائية، مع حب القطط. لا يُذكر أي شيء عن "القطط" في النص. قم بضبط طالب على هذه البيانات على أي حال، وستظل التفضيلات تنتقل. هذا تعلم خفي. وهو أيضًا مشكلة تسميم بيانات، لأن السمة غير واضحة في مجموعة البيانات. عمل جديد من جامعة ستانفورد بواسطة ناثان هيو وسانمي كويجو وكريستوفر بوتز يجعل الإشارة الخفية قابلة للقراءة. يعاملون التعلم الخفي المُحفَّز كحالة خاصة من ترشيح السياق: نظريًا، تحدد مجموعة البيانات التحفيز الأصلي للمُدرّب. ثم يستعيدون هذا التحفيز باستخدام SALVE (البحث المدعوم بالتعبير الضمني): - تحسين تحفيز ناعم بحيث يتنبأ النموذج الأصلي بدقة ببيانات مجموعة البيانات - اطلب من نفس النموذج التعبير عن التحفيز الناعم - استخدم بحث الشعاع للحفاظ على صياغة سلسة وصادقة في الإعداد القياسي لتفضيل الحيوانات، يستعيد SALVE التحفيزات التي تُسمّي السمة في 18 من أصل 20 تجربة. لا تستطيع أساليب التحسين النصي الأساسية تحقيق ذلك. وفي بعض الحالات، يستعيد حتى السمة من بيانات حيث فشل ضبط الطالب في التقاطها. كما يكتشفون التأثير في البيانات المختلطة، والمُدرّبين الموجهين بالتنشيط، ومجموعات فرعية من بيانات التفضيل الحقيقية المختارة باستخدام اختيار خطوط اللوجيت (الإطراء / عدم التوافق). النقطة العملية بسيطة: قد تكون قادرًا على مراجعة مجموعة البيانات بحثًا عن سلوكيات خفية قبل أن تصل أبدًا إلى مرحلة الضبط الدقيق. الورقة: https://t.co/1mncXR5Fyv