Search Results ML

アンサンブル学習：決定木からランダムフォレストへ

「私たちは決定木モデルから話を始めます次に、アンサンブル学習について説明し、最後に、アンサンブルの上に作られたランダムフォレストモデルを説明します...」

「LangChainを使用して、強力な大規模言語モデルを使用してデータフレームをクエリしてください」

「前回の記事では、ChromaDBのようなベクトルデータベースを使って情報を保存し、Hugging FaceのLarge Language Modelsへのクエリにパワフルなプロンプトを作成する方法を説明しました…」

大規模言語モデルの挙動を監視する7つの方法

自然言語処理の世界では、大規模言語モデル（LLM）の使用による急速な進化が見られています彼らの印象的なテキスト生成およびテキスト理解能力を通じて、LLMは...

「機械学習を使用するかどうか」

機械学習は、通常、特徴量と結果の間の関係が複雑で、ヒューリスティックスやif-elseで簡単にハードコードすることができない特定の複雑な問題を解決するのに優れています

「5つのオンラインAI認定プログラム – 研究と登録」

「世界的に認められたAIの認定コースを受講し、AIのスキルを身につけ、複数の人工知能の仕事に応募できる資格を取得しましょうChatGPTから自律型まで、AIを活用することによって…」

FitBot — フィットネスチャットボットエージェント

健康意識が最前線にあり、バランスの取れたライフスタイルの追求が普遍的な願望となっている時代において、栄養は間違いなく中心的な要素となっていますしかし、...

ソースフリーのドメイン適応における壁の破壊：バイオアコースティクスとビジョン領域へのNOTELAの影響

ディープラーニングは、さまざまなアプリケーション領域で重要な進展を遂げています。その一因は、ますます大規模なデータセットとモデルが利用可能になったことです。しかし、この傾向の一方で、最新のモデルをトレーニングすることがますます高価になり、環境への懸念や一部の実践者にとってのアクセス性の問題を引き起こしています。さらに、事前トレーニングされたモデルを直接再利用すると、デプロイメント時の分布の変化に直面した際に性能の低下が生じることがあります。研究者は、ソースフリードメインアダプテーション（SFDA）を探求してこれらの課題に対処しています。この技術は、元のトレーニングデータにアクセスせずに事前トレーニングされたモデルを新しいターゲットドメインに適応させるものです。本記事では、SFDAの問題に焦点を当て、音声ドメイン、特にバイオアコースティクスにおける分布の変化に対処するために設計された新しい手法であるNOTELAを紹介します。バイオアコースティクスデータセット（XC）は、鳥の種の分類に広く使用されており、次のようなものが含まれています：主観的な録音。自然な状況で個々の鳥を対象とする。全方向性マイクを介して得られたサウンドスケープの録音。これには、サウンドスケープの録音には信号対雑音比が低く、複数の鳥が同時に発声する、環境ノイズのような重要な妨害要素があるという固有の課題があります。さらに、サウンドスケープの録音は異なる地理的位置から収集されるため、XCには特定の地域にのみ一部の種が出現するという極端なラベルシフトが生じます。さらに、ソースとターゲットのドメインの両方がクラスの不均衡を示しており、1つの録音内に複数の鳥の種が存在するため、問題はマルチラベル分類タスクとなります。この研究では、Googleの研究者は、エントロピー最小化、疑似ラベリング、ノイズ除去教師生徒、マニフォールド正則化など、バイオアコースティクスデータセットで既存のSFDA手法をいくつか評価しました。評価結果は、これらの手法が伝統的なビジョンタスクで成功を収めた一方で、バイオアコースティクスでは性能が大きく異なることを示しています。一部の場合では、適応を行わない場合よりも悪い結果を示します。この結果は、バイオアコースティクスドメインの固有の課題を処理するための特殊な手法の必要性を示しています。この制限に対処するために、研究者はNOisy student TEacher with Laplacian Adjustment（NOTELA）と呼ばれる新しい革新的な手法を提案しています。この新しい手法は、ノイズ除去教師生徒（DTS）手法とマニフォールド正則化（MR）手法の原則を組み合わせています。NOTELAは、学生モデルにノイズを加えるメカニズム（DTSから着想を得たもの）を導入し、特徴空間でのクラスタ前提を強制する（MRに似たもの）ことで、適応プロセスを安定化させ、モデルの汎化性能を向上させます。この手法は、モデルの特徴空間を追加の真実の情報源として活用し、バイオアコースティクスデータセットの難問に成功し、最先端の性能を達成します。バイオアコースティクスのドメインでは、NOTELAはソースモデルよりも大幅に改善され、他のSFDA手法を超える性能を示しました。多ラベル分類の標準的な指標である平均適合率（mAP）やクラスごとの平均適合率（cmAP）の値も印象的です。S. Nevada（mAP 66.0、cmAP 40.0）、Powdermill（mAP 62.0、cmAP 34.7）、SSW（mAP 67.1、cmAP 42.7）など、さまざまなテストターゲットドメインでの顕著なパフォーマンスは、バイオアコースティクスデータセットの課題に対処する効果を示しています。ビジョンタスクの文脈では、NOTELAは一貫して強力なパフォーマンスを示し、他のSFDAベースラインを上回りました。CIFAR-10（90.5%）やS. Nevada（73.5%）など、さまざまなビジョンデータセットで注目すべきトップ1の精度結果を収めました。ImageNet-Sketch（29.1%）やVisDA-C（43.9%）ではわずかに性能が低いものの、NOTELAのバイオアコースティクスやビジョンドメインでのSFDA問題への効果と安定性は明らかです。 https://arxiv.org/abs/2302.06658…

「Pandasのastype()とto_datetime()の間の3つの実践的な違い」

Pandasのデータフレームの列の型を文字列から日時形式に変換するには、pd.to_datetime()関数を使用します複数の列のデータ型を変更するには、pandasのastype()を使用します

「KAISTの研究者がFaceCLIPNeRFを紹介：変形可能なNeRFを使用した3D顔のテキスト駆動型操作パイプライン」

3Dデジタル人間コンテンツ改善の重要な要素は、簡単に3D顔表現を操作できる能力です。Neural Radiance Field（NeRF）は、3Dシーンの再構築において重要な進展を遂げていますが、その操作技術の多くは剛体ジオメトリや色の操作に焦点を当てており、表情の微細な制御を必要とする作業において改善が必要です。最近の研究では、領域制御された顔編集手法が提案されましたが、この手法では、選択したトレーニングフレームから顔の異なる部分のユーザーアノテーションマスクを収集する手間のかかる手順が必要であり、さらに人間の属性制御が必要です。顔特異的な暗黙の表現技術は、可変性の高い顔モデルのパラメータを事前に使用して観測された顔の表情を高い忠実度でエンコードします。しかし、その手動操作には、顔の表情の範囲を網羅した大規模なトレーニングセットが必要であり、約6000フレームをカバーします。これにより、データ収集と操作のプロセスが困難になります。その代わりに、KAISTとScatter Labの研究者は、いくつかの異なるタイプの顔変形インスタンスから成る約300のトレーニングフレームの動的なポートレートビデオ上でトレーニングする方法を開発しました。これにより、図1に示すように、テキストによる変更が可能になります。図1 彼らの手法は、HyperNeRFを使用して観測された変形をカノニカル空間から学習し分離し、顔の変形を制御します。特に、共通の潜在コード条件付きの暗黙のシーンネットワークとフレームごとの変形潜在コードは、トレーニングフレーム全体で教えられます。彼らの基本的な発見は、様々な空間変数の潜在コードを使用してシーンの変形を表現し、操作タスクに利用することです。この発見は、HyperNeRFの定式化を単純に適用することの欠点から生じます。すなわち、望ましい顔の歪みをエンコードする単一の潜在コードを探すことです。たとえば、単一の潜在コードでは、多くの場合に見られるローカルな変形の混合を必要とする表情を伝えることはできません。彼らの研究では、この問題を「連結ローカル属性の問題」として特定し、空間的に変動する潜在コードを提供することで対処しています。これを行うために、彼らはまず、すべての観測された変形をアンカーコードのコレクションにまとめ、それらを組み合わせて数多くの位置条件付きの潜在コードを生成するためにMLPに教えます。そして、生成された潜在コードの画像をCLIP埋め込み空間の目標テキストに近づけることにより、潜在コードの反映性を実現します。結論として、彼らの研究は以下の貢献をしています。 • 空間的に変動する潜在コードを使用してシーンを表現する操作ネットワークの設計 • NeRFで再構築された顔のテキストによる操作パイプラインの提案 • 彼らの知る限り、NeRFで再構築された顔に関するテキストを操作する最初の人物。

データサイエンス入門：初心者向けガイド

この記事は新しいデータサイエンティストのためのガイドであり、迅速に始めるのを助けるために設計されていますこれは出発点となるものですが、既に新しい仕事を探している場合は、この記事をもっと読むことをお勧めします

Career Advice

Learn more about Search Results ML - Page 318