Search Results C 14

次元性の祝福？！（パート1）

「これらの問題の1つまたは複数について、慎重に選ばれた科学者のグループが夏に一緒に取り組めば、重要な進展が期待できると私たちは考えています」と提案は述べましたジョンはまだ知りませんでしたが...

AI2とワシントン大学の研究者が、LLMsの表面的な性質を明らかにし、チューニングフリーの新しい方法であるURIALを紹介した

ラージランゲージモデル（LLMs）は、人工知能（AI）やディープラーニングの分野での最近の革新です。GPT、PaLM、LLaMaなどのよく知られたLLMは、コンテンツの生成において非常に高いポテンシャルを示しています。質問応答やテキスト要約から言語翻訳やコード補完まで、これらのモデルは多くのことができます。ChatGPTを含むこれらのモデルは、広範な非監督テキストコーパスでの事前トレーニングを経ています。しかし、最近の研究は、従来のファインチューニングの採用方法が以前に考えられていたほど重要ではない可能性があると示唆しています。オープンドメインのAIアシスタントとしての基本LLMの改善プロセスであるアライメントチューニングは業界標準と認められています。これには、人間のフィードバックからの強化学習（RLHF）や監視付きファインチューニング（SFT）が含まれます。この標準は、LIMAという研究によって問われ、SFTのためのわずか1,000のサンプルでも意味のあるアライメントパフォーマンスを達成することができると示されました。 LIMAが提案したスーパーフィシャルアライメント仮説では、基本LLMの振る舞いを根本的に変えるのではなく、特定のデータ形式を選択するようにトレーニングすることで、アライメントチューニングが行われる可能性があります。これにより、わずかな例でも高品質なアライメントモデルが監視付きファインチューニングによって生成されることが示されました。スーパーフィシャルアライメント理論に確かな支持を見つけるための研究が不十分であるため、Allen Institute for Artificial Intelligenceおよびワシントン大学の研究チームは、最近の論文でアライメントチューニングの広く使用されている技術に取り組み、基本LLMを有用なオープンドメインのAIアシスタントにする方法を提案しています。選好チューニングは人間のフィードバックからの強化学習によって実現され、指導学習は監視付きファインチューニングによって実現されています。チームは、基本LLMとそのアライメントされたバージョン（例：Llama-2およびLlama-2-chat）のトークン分布の変化を調査し、アライメント調整の影響を研究しました。彼らは、基本LLMとそのアライメントされたバージョンが上位ランクされたトークンを共有し、ほとんどのトークン位置でデコーディングにおいてほぼ同じパフォーマンスを発揮することを発見しました。ディスコースマーカーやセーフティディスクレイマーなどのスタイルトークンは、最も分布の変動を経験しています。この研究は、アライメント調整が主にAIアシスタントの言語スタイルを同化することに焦点を当てており、基本LLMがユーザーの問い合わせに応えるために必要な情報を提供しているという仮説の説得力のある証拠を提供しています。チームはまた、SFTやRLHFなしで基本LLMをどの程度アラインできるかという研究トピックを提示しました。彼らは、URIAL（調整を必要としないLLMとコンテキスト内アライメント）というアライメント技術を提案しました。わずか3つの連続スタイルの例とシステムのプロンプトだけで、URIALは基本LLMとのコンテキスト内学習（ICL）のみを通じて効果的なアラインメントを達成します。チームは、Mistral-7b-Instruct（SFTで調整されたLLM）やSFT+RLHF（Llama-2-70b-chat）でアラインされたLLMsと同等またはそれ以上のパフォーマンスを提供するURIALを持つ基本LLMの詳細で理解しやすい分析を提供する、just-eval-instructと呼ばれる一連のインスタンスで、チューニングフリーおよびチューニングベースのアライメント戦略のギャップを劇的に縮小することが示されました。結論として、評価結果は浅いアライメントチューニングを強調し、基本LLMの言語スタイルの導入と既存の知識に委ねられることを示しています。

「表形式のデータ探索と研究の未来を描く」

私たちデータ専門家にとって、AIの進歩は新しいワークフローをもたらし、ツールセットを向上させますこの記事では、実際の問題を解決するためにこれらの新しいツールの1つを使用する経験を共有しますスケッチ...

ヘルスケアの革新：医学における大規模言語モデルの影響と将来の探求

「GoogleのMed-PaLM 2やEPFLのMeditronなどの大規模言語モデルの変革的な影響を探求し、それらの応用、課題、患者ケアと臨床効率向上の潜在能力について検討する」

「Power BI ビジュアライゼーションの究極ガイド」

イントロダクション Power BIは、データサイエンスの中でも強力なツールとして浮上しており、データに基づく洞察に根ざした情報を提供することで、企業が情報に基づいた意思決定を行うことを可能にしています。Microsoftによって開発されたPower BIビジュアライゼーションは、ユーザーがデータを視覚的に表現し、洞察を組織全体に円滑に伝達することを可能にします。また、広範なデータソースとの接続を確立しながら、アプリケーションやウェブサイトにシームレスに埋め込む能力も注目されています。間違いなく、データサイエンスの分野で最も重要な要素の一つは、データの可視化の実践です。これは、視覚的要素（チャート、グラフ、マップなど）を用いて情報やデータをグラフィカルに説明することを意味します。これらの視覚ツールを活用することで、データの可視化はデータをより理解しやすくし、傾向や外れ値、パターンを判断しやすくします。要するに、Power BIは生データを視覚的に一貫性のある語りに変換する能力を持つ、典型的なツールであり、複雑なデータセットの普遍的な理解を向上させます。 Power BIビジュアライゼーションの理解 Power BIビジュアライゼーションは、Power BIを使用してデータをグラフィカルに表現するプロセスです。これにより、複雑なデータセットをより直感的で視覚的な形式で理解することができます。Power BIビジュアライゼーションは重要であり、テキストベースのデータでは明らかではない複雑な概念を理解したり、新しいパターンを識別したりすることができます。 Power BIビジュアライゼーションのメリットは多岐に渡ります。データと対話することができ、詳細な情報を得るためにチャートやグラフを掘り下げたり、他の人とレポートを作成して共有したりすることができます。また、ユーザーはユニークな360度のビジネスビューを持つパーソナライズされたダッシュボードを作成することも可能です。 Power BIビジュアライゼーションの種類 Power BIは、データを異なる方法で表現するための幅広いビジュアライゼーションを提供しています。 A. チャートチャートは、Power BIでのデータのグラフィカル表現です。これを使用して、複雑なデータセットを簡素化し、データを理解しやすく解釈できるようにします。Power BIはさまざまなチャートの種類を提供しており、それぞれ異なる種類のデータやデータの可視化タスクに適しています。 1.…

シミュレーション最適化：友人の会社のサポートデスクをモデル化し最適化の手助けをする

それは比較的シンプルな依頼から始まりました私の友人は、サポートセンターの運営を手伝っており、いくつかの困難を抱えていました支援デスクのエージェントはいつでも効率的でないようで…

「この男性は誰でもバイラルにすることができます（10か月で21億回の視聴回数）」

「以下は、短編コンテンツで1か月で1億ビューを獲得するための6つのステップのフレームワークです...」

「Googleが最新のAIモデルGeminiを発表」

Google DeepMindのCEO兼共同創設者であるデミス・ハサビスとGoogleのCEOサンダー・ピチャイは、待望のAIモデル「ジェミニ」を紹介しましたこのテックジャイアントのAIモデルは、人工知能の領域を再定義すると言われています同社のブログ投稿によれば、ジェミニは最先端の機能を提供し、OpenAIをも凌駕する可能性があると約束されています...

アドビの研究者たちは、『DMV3D』という新しい3D生成手法を提案していますこの手法は、トランスフォーマーベースの3D大規模再構築モデルを用いて、マルチビューディフュージョンのノイズを除去します

拡張現実（AR）、仮想現実（VR）、ロボティクス、ゲームにおける3Dアセットの作成には共通の課題が存在します。複雑な3Dアセットの作成プロセスを簡素化する3D拡散モデルの人気が高まっていますが、それには注意が必要です。これらのモデルは、トレーニングのために正確な3Dモデルまたはポイントクラウドへのアクセスが必要であり、実際の画像では課題となる場合があります。さらに、潜在的な3D拡散アプローチは、多様な3Dデータセット上で複雑でノイズの多い潜在空間を生み出すことが多く、高品質なレンダリングが困難な課題となっています。既存の解決策では、多くの手作業や最適化プロセスが要求されることがよくあります。Adobe ResearchとStanfordの研究者チームは、3D生成プロセスをより迅速で現実的かつジェネリックにする取り組みを行っています。最近の論文では、DMV3Dという新しいアプローチが紹介されており、シングルステージのカテゴリー非依存型拡散モデルです。このモデルは、テキストまたは単一の画像入力条件から3Dニューラルラディアンスフィールド（NeRFs）を生成することができ、3Dオブジェクトを作成するのに必要な時間を大幅に短縮します。 DMV3Dの重要な貢献は、3D生成のためのマルチビュー2D画像拡散モデルを使用した画期的なシングルステージ拡散フレームワークです。彼らはまた、ノイズのないトライプレーンNeRFsをノイズの多いマルチビュー画像から再構築するマルチビューデノイザであるLarge Reconstruction Model（LRM）を導入しました。このモデルは、高品質なテキストから3D生成と単一画像再構築をするための一般的な確率的アプローチを提供し、シングルのA100 GPUでわずか30秒程度の直接モデル推論を実現します。 DMV3Dは、3D NeRFの再構築とレンダリングをデノイザに統合し、直接3D監視をせずに学習された2Dマルチビュー画像拡散モデルを作成します。これにより、潜在空間の拡散およびパーツごとの最適化プロセスに別個の3D NeRFエンコーダを個別にトレーニングする必要がなくなります。研究者たちは、オブジェクトを囲む4つのマルチビュー画像の疎なセットを戦略的に使用し、自己遮蔽の重要性を排除しながら3Dオブジェクトを効果的に表現しています。大規模なトランスフォーマーモデルを活用することで、研究者たちは疎なビューの3D再構築という困難な課題に取り組んでいます。最新の3D Large Reconstruction Model（LRM）を基に構築されたこのモデルは、拡散プロセスのさまざまなノイズレベルに対応できる革新的なジョイント再構築およびデノイズモデルを導入しています。このモデルは、マルチビュー画像拡散フレームワーク内のマルチビュー画像デノイザとして統合されます。合成レンダリングと実際のキャプチャを含む大規模なデータセットでトレーニングされたDMV3Dは、シングルのA100 GPUで約30秒でシングルステージ3Dを生成する能力を示しています。また、単一画像による3D再構築でも最先端の結果を達成しています。この研究は、2Dと3Dの生成モデルの領域を結びつけ、3D再構築と生成を統一することで、3Dビジョンとグラフィックスのさまざまな課題に取り組むための基盤モデルの開発の可能性を提供します。

「Vchitectを紹介します：テキストからビデオ（T2V）およびイメージからビデオ（I2V）アプリケーションに適したオープンソースの大規模一般istビデオ作成システム」

“`html 人工知能（AI）の人気が爆発的に高まったことにより、深層生成モデルの大幅な進展が生まれました。これらのモデルは、映像生成の分野に適用され、画像の作成と写真の合成を行うために利用されています。有名な例としては、GANやVAEなどの自己回帰モデルがあり、AIコミュニティの間で同様の手法を使用してビデオを作成することに興味が湧いています。ビデオの生成には、深層生成モデルを利用する上で課題があります。その規模の小ささから、顔や体の生成など、特定の領域に限定されてしまうことがあります。しかし、大規模な拡散モデルや処理能力の向上により、より幅広いコンテキストでビデオを作成するためのオプションが増えました。その進展にも関わらず、映画の視覚的な品質や時系列の連続性などの問題を解決するためには、さらなる努力が必要です、特に長いビデオにおいては。これらの課題を解決するために、研究チームはVchitectという大規模な汎用ビデオ作成システムを開発しました。このシステムは、テキストからビデオ（T2V）および画像からビデオ（I2V）のアプリケーションを目的としています。Vchitectは、異なる長さの映画を生成し、映画的な視覚的美を実現することで、スムーズなカメラ移動と物語の連続性を促進します。 Vchitectは、数秒から数分までの任意の長さの高精細なビデオを作成することができます。シーン間のスムーズな遷移を保証し、一貫したストーリーテリングをサポートします。このシステムは、ビデオ制作の異なる側面に対応するために複数のモデルを統合しています。以下にそれらを紹介します。 LaVie, テキストからビデオモデル（T2V）：Vchitectの基盤となるパラダイムであり、書かれた説明を短い優れた映画に変換します。 SEINE, 画像からビデオ生成モデル（I2V）：この機能により、静止画からダイナミックなコンテンツを生成できるため、システムの適応性が向上します。短いから長い（S2L）モデル：短い映画の間のシームレスな接続と遷移を作成します。これにより、より長いビデオの全体的な連続性と流れが向上し、魅力的な視聴体験が実現します。主題一貫性モデル：このモデルは、同じ主題のビデオを生成することができます。別々のフッテージ間の一貫性を保つことは重要であり、同じ人物やオブジェクトが複数の映画の断片に出演する場合に特に適しています。時間補間モデル：生成された映像の動きのスムーズさを向上させ、時系列の特性を高めることで、ビデオコンテンツの全体的な流れを向上させます。ビデオ超解像モデル：このモデルは、生成された映像の解像度を向上させ、空間的な視覚品質の改善にも対応します。これは、視覚要素の明瞭さと優れた品質を保証するために重要です。研究チームはまた、Vimeo25Mという包括的で多様なビデオデータセットも作成しました。このコレクションには、ビジュアルの魅力、多様性、品質を重視して、2500万のテキスト-ビデオのペアが含まれています。研究チームは、モデルが十分に訓練され、さまざまなイベントやコンテンツのタイプを扱えるようにするために、広範で多様なデータセットを含める必要があると共有しています。また、Vchitectシステムの基盤となるT2Vモデルが優れていることを示す包括的な分析も実施されました。ビジュアルの品質、連続性、および与えられた口頭の説明と対応する映画を生成する能力など、さまざまな側面がこの評価に含まれています。 “`

Learn more about Search Results C 14 - Page 10