Search Results ML

分類器のアンサンブル：投票分類器

アンサンブルという言葉は、機械学習の文脈では、同じタスクに対して訓練された有限な数の機械学習モデル（ANNを含む場合もあります）の集合を指します通常、モデルは独立して訓練され、その後...

「研究：社会的に意識した時間的因果関係デコーダー推薦システム」

エルタイエブ・アフメド（リサーチエンジニア）とサブラジット・ロイ（シニアリサーチサイエンティスト）によるGoogle Researchの投稿読書には、言語能力や生活スキルの向上など、若い学生に多くの利益があります。また、楽しみのための読書は学業の成功と相関することが示されています。さらに、学生は読書によって感情の幸福感が向上し、一般的な知識や他の文化の理解も向上すると報告しています。オンラインやオフラインの読み物が非常に多いため、適切な年齢層に合った関連性の高い興味を引くコンテンツを見つけることは難しい課題ですが、学生が読書に没頭するためには必要なステップです。関連性の高い読み物を効果的に推薦することは、学生の読書を継続させるのに役立ちます。これが機械学習（ML）が役立つ場所です。 MLは、動画から書籍、eコマース商品まで、さまざまな種類のデジタルコンテンツにおいて推薦システムの構築に広く使用されています。推薦システムは、ユーザーに関連性の高い興味を引くコンテンツを提示するために、さまざまなデジタルプラットフォームで使用されています。これらのシステムでは、ユーザーの好み、ユーザーの関与度、および推薦されるアイテムに基づいて、各ユーザーにアイテムを提案するためのMLモデルがトレーニングされます。これらのデータは、モデルが興味を引く可能性のあるアイテムを推薦できるようにするための強力な学習信号を提供し、ユーザーエクスペリエンスを向上させます。「STUDY：社会的に意識した時間的因果デコーダ推薦システム」という論文では、教育の設定でのオーディオブックのコンテンツ推薦システムを紹介しています。このシステムでは、読書の社会的な性質を考慮しています。私たちは教育非営利団体であるLearning Allyとのパートナーシップを通じてSTUDYアルゴリズムを開発しました。Learning Allyは、学生に学校全体の購読プログラムを通じてオーディオブックを提供することを目的としています。Learning Allyの図書館には、さまざまなオーディオブックがあります。私たちの目標は、学生が自分の読書体験と関与を高めるための適切なコンテンツを見つけるのを支援することです。私たちは、同じクラスにいる学生の読書関与の履歴を共同で処理することで、現在のトレンドに基づいてモデルが学生のローカライズされたソーシャルグループ（この場合は教室）内でトレンドになっているものを利用するようにしました。データ Learning Allyには、学生を対象とした豊富なデジタルオーディオブックのライブラリがあり、学生の学習成果を向上させるためのソーシャル推薦モデルの構築に適しています。私たちは2年分の匿名化されたオーディオブックの消費データを受け取りました。データ中のすべての学生、学校、およびグループは匿名化されており、Googleによって追跡できないランダムに生成されたIDでのみ識別されます。さらに、潜在的に識別可能なメタデータは集計形式でのみ共有され、学生や機関が再識別されることを防ぐためです。データには、学生のオーディオブックとの相互作用のタイムスタンプ付きレコードが含まれています。各相互作用には匿名化された学生ID（学生の学年と匿名化された学校IDを含む）、オーディオブックの識別子、および日付があります。多くの学校では、1つの学年の学生を複数の教室に分けていますが、このメタデータを活用して、同じ学校と同じ学年のすべての学生が同じ教室にいるという単純化された仮定を行います。これにより、より良いソーシャル推薦モデルを構築するために必要な基盤が提供されますが、個人、クラスグループ、学校を再識別することはできません。 STUDYアルゴリズム私たちは、クリックスルー率の予測問題として推薦問題を構築しました。つまり、各特定のアイテムとの相互作用におけるユーザーがアクションを起こす条件付き確率をモデル化するものです。このモデル化には、Google Researchが開発した広く使用されているTransformerベースのモデルクラスが適しているという以前の研究結果があります。各ユーザーが個別に処理されると、これは自己回帰的なシーケンスモデリング問題になります。私たちはこの概念的なフレームワークを使用してデータをモデル化し、その後、STUDYアプローチを作成するためにこのフレームワークを拡張しました。このクリックスルー率予測アプローチでは、個々のユーザーの過去と将来のアイテムの好みの依存関係をモデル化することができますが、推論時に異なるユーザー間の依存関係をモデル化することはできません。読書の社会的な性質を認識し、この欠点を補うために、私たちはSTUDYモデルを開発しました。このモデルでは、各学生が読んだ複数の本のシーケンスを1つのシーケンスに連結し、単一の教室内の複数の学生からデータを収集します。しかし、このデータ表現はtransformerによってモデル化される場合には注意が必要です。transformerでは、注意マスクは入力がどの出力の予測に情報を提供できるかを制御する行列です。出力の予測に先行するすべてのトークンを入力に使用するパターンは、因果デコーダで伝統的に見られる上三角の注意行列につながります。しかし、STUDYモデルに供給されるシーケンスは時間的に順序づけられていないため、その構成要素の各部分シーケンスは時間的に順序づけられています。標準的な因果デコーダは、このシーケンスには適していません。各トークンを予測しようとするとき、モデルは展開時には利用できない後続のトークンすべてにアテンションを向けることは許されません。これらのトークンのいくつかは、後のタイムスタンプを持ち、展開時に利用できる情報を含んでいる可能性があります。この図では、通常、因果デコーダで使用されるアテンションマスクを示しています。各列は出力を表し、各列が出力を表します。特定の位置の行列エントリの値が1（青で表示される）である場合、モデルは対応する列の出力を予測する際にその行の入力を観察できることを示し、値が0（白で表示される）である場合はその逆を示します。 STUDYモデルは、時間刻みに基づいた柔軟なアテンションマスクを使用して、因果トランスフォーマーをベースに構築します。通常のトランスフォーマーでは、異なる部分列間でのアテンションを許可せず、シーケンス内では三角形の行列マスクが使用されますが、STUDYではシーケンス内で因果律のある三角形のアテンション行列を維持し、タイムスタンプに依存する柔軟な値を持つアテンションを異なるシーケンス間で許可します。したがって、シーケンス内の任意の出力ポイントでの予測は、その時点に対して過去に発生したすべての入力ポイントによって通知されます。これは、シーケンス内の現在の入力の前後に表示されるかどうかに関係なく、実際の世界の展開には利用できない未来の情報を使用して予測することを学習しないように、訓練時に強制される因果関係の制約が重要です。 (a)では、各ユーザーを個別に処理する因果律アテンションを持つ順次自己回帰トランスフォーマを示しています。 (b)では、同じ計算結果をもたらす同等の共同順送信を示しています。最後に、 (c)では、アテンションマスクに新しい非ゼロの値（紫で表示）を導入することで、ユーザー間で情報の流れを許可します。これにより、予測は同じユーザーからの相互作用に限らず、過去のタイムスタンプとのすべての相互作用に依存することができます。実験私たちは、比較のために複数のベースラインとともにSTUDYモデルを学習するためにLearning Allyデータセットを使用しました。私たちは、個別と呼んでいる自己回帰クリックスルーレートトランスフォーマーデコーダ、k最近傍法ベースライン（KNN）、および比較可能なソーシャルベースラインであるソーシャルアテンションメモリネットワーク（SAMN）を実装しました。訓練には最初の学年のデータを使用し、検証およびテストには2番目の学年のデータを使用しました。…

「分かれれば倒れ、一緒に立つ：CoTrackerは、ビデオ内の複数のポイントを共同で追跡するAIアプローチです」

I had trouble accessing your link so I’m going to try to continue without it. 近年、AIの領域で画像生成と大規模言語モデルの進歩が目覚ましく、その革新的な能力により長い間注目を浴びてきました。画像生成と言語モデルの両方は非常に優れており、生成された出力と実際のものを区別するのは困難です。しかし、近年急速に進歩したのはこれらだけではありません。コンピュータビジョンの応用でも印象的な進歩が見られます。例えば、セグメンテーション・エニシング（SAM）モデルは、オブジェクトのセグメンテーションにおいて新たな可能性を開拓しました。SAMは画像またはより印象的にはビデオ内の任意のオブジェクトをトレーニング辞書に依存せずにセグメント化することができます。ビデオ部分は特に興味深いです。ビデオは常に扱いにくいデータと考えられてきました。ビデオを扱う際には、どのようなタスクを達成しようとしているにせよ、モーショントラッキングが重要な要素となります。これが問題の基礎です。モーショントラッキングの重要な要素の1つは、ポイントの対応関係を確立することです。最近では、動的なオブジェクトと移動カメラを持つビデオでのモーション推定を行うための複数の試みがありました。この難しいタスクでは、ビデオフレーム全体の2Dポイントの位置を推定し、基礎となる3Dシーンポイントの投影を表現します。モーション推定の2つの主要なアプローチは、オプティカルフローとトラッキングです。オプティカルフローはビデオフレーム内のすべてのポイントの速度を推定し、トラッキングはポイントの運動を統計的に独立したものとして推定します。近代的なディープラーニング技術により、ポイントトラッキングは進歩していますが、追跡されたポイント間の相関関係という重要な側面が見落とされています。直感的には、同じ物理的なオブジェクトに属するポイントは関連しているはずですが、従来の方法ではそれらを独立して扱ってしまい、誤った近似値を導くことになります。この問題に取り組むCoTrackerの登場です。 CoTrackerは、追跡されたポイント間の相関関係を考慮することで、長いビデオシーケンスでのポイントトラッキングを革新しようとするニューラルネットワークベースのトラッカーです。このネットワークはビデオと変動する数の開始トラック位置を入力とし、指定されたポイントの完全なトラックを出力します。 CoTrackerは複数のポイントの共同トラッキングをサポートし、ウィンドウアプリケーションでより長いビデオを処理することができます。トランスフォーマーベースのネットワークは、時間を1つの次元、トラッキングポイントをもう1つの次元とする2Dグリッド上で動作し、適切なセルフアテンション演算子を使用することで、各トラックをウィンドウ内でまとめて考慮し、トラック間で情報を交換し、それらの固有の相関関係を活用することができます。 CoTrackerの概要。出典:…

マルチアームバンディットを用いた動的価格設定：実践による学習

意思決定の問題の広大な世界において、一つのジレンマが特に強化学習の戦略によって所有されています：探索と活用スロットマシンが並ぶカジノに入っていると想像してください...

「Pythonプロジェクトを保護する：究極のコードセキュリティのために直接setup.pyの呼び出しを避ける！」

従来、setup.pyはPythonパッケージングの世界への入り口として機能していました開発者はプロジェクトのメタデータ、依存関係、およびインストール手順を定義するためにそれに頼っていましたスクリプトの...

AWS vs Azure：究極のクラウド対決

Amazon Web ServicesとMicrosoft Azureは、クラウドコンピューティングの2つの巨人です。これら2つの業界リーダーの競争は、「クラウド戦争」を引き起こしました。この記事では、AWSとAzureの包括的な比較を掘り下げて、その特徴、利点、欠点、求人の機会などを調査しています。 AWSとは何ですか？ Amazon Web Services（AWS）は、Amazonが提供する機能豊富なクラウドコンピューティングプラットフォームです。計算能力、ストレージオプション、データベース、機械学習、分析などの多くのオンデマンドサービスを提供しています。これらのサービスにより、物理的なハードウェアなしでソフトウェアアプリケーションやサービスを作成、配布、管理することができます。クラウド環境の柔軟性、拡張性、経済性を向上させます。 Azureとは何ですか？ Azureは、Microsoftのクラウドコンピューティングプラットフォームであり、処理能力、ストレージ、データベース、ネットワーキング、分析などのさまざまなサービスを提供しています。これにより、企業はクラウドベースのアプリケーションやサービスを構築、実装、管理することができます。また、Microsoftのソフトウェアエコシステムとの統合を提供しながら、拡張性と柔軟性を提供します。 AWS vs. Azure：概要 AWSとAzureの基本的な違いを見てみましょう：側面 AWS Azure 会社 Amazon Microsoft 立ち上げ年 2006 2010 市場シェア…

LayoutLMv3を使用してビジネス文書から主要な情報を抽出する方法

多くのビジネスは毎日大量の文書を作成し、それによって他のビジネスで消費されますこれらのビジネスには、法律事務所、会計事務所、電子商取引などが含まれますLayoutLMv3...

PyTorchを使用してx86 CPU上で推論速度を最大9倍高速化する方法

このような深い洞察を含む、さらに週のトップML論文、求人情報、現実世界の経験からのMLのヒント、研究者や開発者からのMLのストーリーを受け取るには、私の...に参加してください

2023年のYouTuberに最適なAIツール

VidIQ VidIQは、YouTubeのビデオメーカーに知恵を絞ったツールのアーセナルを提供するオンラインサービスです。VidIQのYouTubeコーチは、ChatGPTのパワーを活用して、必要なときに適切な指導を受けることができます。この先端的な機能は、VidIQとChatGPTを統合し、YouTubeチャンネルに基づいた最適なガイダンスをプロデューサーに提供します。VidIQは、コンテンツのアイデア出しやチャンネルの監査を手助けする制作チームとして機能します。スイート内には、自動的にYouTubeのベストプラクティスと視聴予測アルゴリズムを活用して、ビデオの注目を集めるタイトルを作成するためのYouTubeビデオタイトルジェネレーターも含まれています。AIはVidIQのYouTubeチャンネル名ジェネレーターのパワーを活用し、ユーザーがチャンネルの名前をユニークかつ記憶に残るものに作成するのを助けます。VidIQは、より良い検索エンジンのランキングを得るために、チャンネル名、ビデオタイトル、および説明に関連するキーワードを使用することをおすすめします。 Explore AI Explore AIは、AIによって駆動されたYouTube専用のビデオ検索エンジンです。このサイトでは、数多くの役立つYouTubeチャンネル、高品質なポッドキャスト、およびテクノロジー業界の有名人が紹介されています。その最も重要な目標は、検索可能なコンテンツの範囲を広げることであり、その意味的な検索機能により正確な結果を保証しています。Exploring AIは、GPT-3を使用してYouTubeのビデオの詳細な要約、正確なタイムスタンプ、および正確なトランスクリプトを提供します。これらのツールセットは、さまざまなユーザーの要求に応えるために、コンテンツのアクセシビリティと理解力を向上させます。 Vidds Viddsは、あらゆる種類のコンテンツクリエーター向けのAIを活用したビデオ編集プラットフォームです。このプラットフォームでは、プロフェッショナルグレードで使いやすいAI駆動のビデオ編集ツールにアクセスできます。ChatGPT対応のアイデアジェネレーターは、ユーザーがキーワードやフレーズを提供することに基づいてビデオのスクリプトを作成します。ソフトウェアは、ユーザーが選んだ任意のトピックで簡単かつ迅速に完成したビデオを作成することができます。 Rotor Rotorは、アーティストのためにビデオ制作プロセスを簡素化し、ビデオ編集や制作のエキスパートになることなく高品質な映画を作成できるようにするユーザーフレンドリーなプラットフォームです。作成者は、プロフェッショナルなクオリティのビデオを簡単かつ迅速に作成するための専門知識を持たなくても大丈夫です。音楽リリースのプロモーションは、個人がさまざまな魅力的なビデオ素材を簡単に作成できるシンプルさによってサポートされています。Rotorの強力なエンジンは、音楽と選択した映像を分析し、あなたの曲に合った素早くカットされた専門的な映画の作成プロセスを加速します。 Vidyo Vidyoは、ソーシャルメディアで共有するための魅力的なショートフィルムを作成するプロセスを効率化するAIパワードツールです。Vidyoを使用すると、ユーザーは長い映画をTikTok、Instagram、YouTube、LinkedIn、Facebookなどのサービスで共有するために適したエンターテイニングなスニペットに短縮することができます。そのAI駆動技術により、ユーザーは長い映画をトリミングし、解説、テンプレート、絵文字などの注目を集める要素を追加して、短く魅力的なビデオを作成することができます。最も興味深い部分は、アルゴリズムによって自動的に選択され、編集され、キャプションが付けられます。 Wave Video Wave Videoは、人工知能に基づいたビデオ制作および編集システムです。ビデオ制作、編集、サムネイル作成、ビデオホスティング、ビデオ録画、メディアライブラリなど、統合された直感的な環境を提供しています。ライブストリーミング、ビデオ編集、サムネイル作成、ビデオホスティング、ビデオ録画、メディアライブラリなど、ユーザーがサイトでアクセスできるツールの一部です。Wave Videoのユーザーは、簡単に映画をスケーリング、切り取り、マージすることができます。テキストアニメーション、ステッカー、トランジション、カスタムビジュアルエレメントなどが、ユーザーが作成したビデオを引き立てることができます。ソフトウェアはまた、ユーザーが自分の字幕を追加したり、システムが生成した字幕を変更したりしてアクセシビリティとユーザーエクスペリエンスを向上させることも可能です。ユーザーはレイアウトを変更したり、タイトルを追加したり、背景を削除したりするオプションもあります。 YouTube Summarized YouTube Summarizedは、ビデオを簡潔に要約するための迅速で簡単な方法を提供するAI駆動のサービスです。YouTubeで映画を視聴する際に詳細なノートを作成するための強力なツールも搭載されています。ユーザーは、様々なYouTubeのビデオやポッドキャストの詳細な要約を自動的に作成するツールを使用することができます。YouTube Summarizedのクレジットベースの方法により、ユーザーは定期的に支払う必要はありません。これにより、ユーザーはクレジット残高を最大限に活用して、自分に最も適した方法で利用することができ、最終的には自分の体験を向上させることができます。ユーザーは、30日間の返金保証があるため、プラットフォームをリスクフリーで試すことができます。 YT…

「個人データへのアクセス」

「データプライバシー法は、世界中の国々で登場しており、他の人々があなたをどのように見ているかを学ぶ機会を提供すると同時に、自分自身についての洞察を得るためのユニークな機会を創出していますほとんどの法律は...」

Learn more about Search Results ML - Page 300