Современные модели машинного обучения часто используют слишком много или наоборот недостаточно шагов обучения, что снижает их точность. Новый способ, который открыли российские ученые, позволит автоматически найти баланс, улучшить качество модели и сделать ее более эффективной. Такой метод адаптивно подбирает необходимое количество шагов обучения для разных частей данных. Этот подход, по оценкам исследователей, может улучшить точность моделей до 2% на стандартных тестах, которые включают в себя предсказание эффективности маркетинговых кампаний, оценку релевантности предлагаемых товаров, а также детектирование элементарных частиц в физических экспериментах.
Как следствие, метод сможет принести пользу компаниям, которые используют машинное обучение для совершенствования рекомендательных систем, а пользователи получат более точные советы по продуктам и улучшенные сервисы. Кроме того, результаты могут служить основой для дальнейших исследований других ученых.