Search Results A

CleanLabを使用してデータセットのラベルエラーを自動的に検出する

数週間前、私は個人のプロジェクトを開発するためのデータセットを通常の検索している最中に、ブラジル下院オープンデータポータルに出会いましたこのポータルには多くのデータが含まれています

DLISファイルからLASファイル形式へのウェルログデータの変換

石油・ガス産業の地球科学の分野では、ウェルログと岩石物理データを保存するためにさまざまな形式が使用されています最も一般的な形式の2つはLASファイルとDLISファイルですLAS...

query()メソッドを使用してPandasデータフレームをクエリする方法

もし、データ解析のためにpandasを使用していて、まだPandasのqueryメソッドについて知らない場合、あなたは一人ではありませんqueryメソッドは直感的で、清潔で、伝統的な方法よりも冗長ではありません...

コーディウムのVarun MohanとJeff Wangによるソフトウェア開発におけるAIの力の解放について

世界はますますコードによって運営されています。そのコードを作成する人々の作業を加速することで、彼らの生産性を向上させることがAIスタートアップのCodeiumの目標です。Codeiumは、NVIDIAのInceptionプログラムのメンバーです。 NVIDIAのAI Podcastの最新エピソードでは、ホストのノア・クラビッツがCodeiumの創設者兼CEOのVarun Mohanと同社のビジネス担当であるJeff Wangにインタビューしました。AIがソフトウェアを変革していることや、Codeiumのビジネスについて話しました。 CodeiumのAIパワードのコード加速ツールキットには、自動補完、チャット、検索という3つの主要な機能があります。自動補完はコードのセグメントを知的に提案し、開発者がボイラープレートやユニットテストの必要性を最小限に抑えることで時間を節約します。同時に、チャット機能は自然言語のクエリを使用して開発者がコードを再構築したり作成したりすることを可能にし、コーディングの効率を向上させながら、コードベース全体に関する検索可能なコンテキストを提供します。 Noahは、MohanとWangと共にAIによるソフトウェア開発の将来、およびプロセスにおける人間の持つ継続的で不可欠な役割について話しました。関連記事 Jules Anh Tuan Nguyen氏による、AIによる義手およびビデオゲームの制御についての説明ミネソタ大学の博士研究員が、義手を指の動きにまで制御できるようにするための取り組みについて説明します。 OverjetのAi Wardah Inam氏による、歯科へのAIの導入について NVIDIA InceptionのメンバーであるOverjetは、歯科医院へのAI導入に向けて急速に進んでいます。同社のCEOであるDr. Wardah Inam氏が、AIを使った患者ケアの改善について話します。 ImmunaiのCTO兼共同創設者のLuis…

「GANの流行 | ファッション画像生成のステップバイステップガイド」

イントロダクションこの記事では、生成対抗ネットワーク（GAN）とその驚異的な画像生成能力について探求します。GANは生成モデリングの分野を革新し、敵対的学習を通じて新しいコンテンツを作成する革新的なアプローチを提供しています。このガイドでは、GANの基本的な概念から始まり、徐々にファッション画像生成の複雑さに入り込んでいきます。実践的なプロジェクトとステップバイステップの手順を通じて、TensorFlowとKerasを使用してGANモデルを構築してトレーニングする方法を詳しく説明します。 GANのポテンシャルを引き出し、AIの魔法をファッションの世界で目撃してください。経験豊富なAIプラクティショナーまたは好奇心旺盛な愛好家であっても、「GANS in Vogue」は、感動的なファッションデザインを作成し、生成的アートの限界を押し広げるためのスキルと知識を提供します。GANの魅力的な世界に飛び込み、内なる創造力を解き放ちましょう！この記事は、データサイエンスブログマラソンの一環として公開されました。生成対抗ネットワーク（GAN）の理解 GANとは何ですか？生成対抗ネットワーク（GAN）は、ジェネレータとディスクリミネータの2つのニューラルネットワークから構成されています。ジェネレータは新しいデータサンプルの生成を担当し、ディスクリミネータの役割はジェネレータによって生成された偽のデータと実際のデータを区別することです。2つのネットワークは競争的なプロセスを通じて同時にトレーニングされ、ジェネレータはよりリアルなサンプルの生成能力を向上させ、ディスクリミネータはリアルと偽のデータをより正確に識別する能力を向上させます。 GANはどのように機能しますか？ GANは、ジェネレータとディスクリミネータが互いに対戦するゲームのようなシナリオに基づいています。ジェネレータは実際のデータに似たデータを作成しようとし、ディスクリミネータは実際のデータと偽のデータを区別しようとします。ジェネレータはこの敵対的なトレーニングプロセスを通じてよりリアルなサンプルの生成を学習します。 GANの主要なコンポーネント GANを構築するには、いくつかの重要なコンポーネントが必要です：ジェネレータ：新しいデータサンプルを生成するニューラルネットワーク。ディスクリミネータ：データを実際のデータまたは偽のデータとして分類するニューラルネットワーク。潜在空間：ジェネレータがサンプルを生成するための入力として使用するランダムなベクトル空間。トレーニングループ：ジェネレータとディスクリミネータを交互にトレーニングする反復プロセス。 GANの損失関数 GANのトレーニングプロセスは特定の損失関数に依存しています。ジェネレータはジェネレータの損失を最小化し、よりリアルなデータの生成を促します。同時に、ディスクリミネータはディスクリミネータの損失を最小化し、リアルと偽のデータを区別する能力を向上させます。プロジェクト概要：GANを用いたファッション画像生成プロジェクトの目標このプロジェクトでは、Fashion MNISTデータセットのファッション画像に似た新しいファッション画像を生成するためのGANの構築を目指します。生成された画像は、ドレス、シャツ、パンツ、靴など、さまざまなファッションアイテムの重要な特徴を捉える必要があります。…

「ベストのTableauコース（2023年）」

「これらの自己ペースで進める業界主導のTableauコースは、デジタルマーケティングからビジネス分析まで、さまざまな学習者と用途に対応しています」

「MACTAに会いましょう：キャッシュタイミング攻撃と検出のためのオープンソースのマルチエージェント強化学習手法」

私たちは複数の形式のデータに圧倒されています。金融部門、医療、教育部門、または組織からのデータであっても、そのデータのプライバシーとセキュリティは、頻繁に発生する攻撃のために、すべての組織にとって重要なニーズであり懸念事項です。コンピュータシステムへの攻撃は、機微な情報の損失を引き起こし、評判の損害、法的責任、財務損失という重大な結果をもたらす可能性があります。データへの不正アクセスにつながる可能性もあります。重大な脅威を引き起こすシステムへの攻撃の特定のタイプは、キャッシュタイミング攻撃（CTA）です。キャッシュタイミング攻撃は、コンピュータシステムのキャッシュメモリのタイミング動作を悪用するセキュリティ攻撃です。キャッシュは、頻繁にアクセスされるデータを格納する小型の高速メモリコンポーネントであり、メモリアクセスの遅延を減らし、システム全体のパフォーマンスを向上させます。キャッシュタイミング攻撃の基本的なアイデアは、攻撃者が自身のメモリアクセスを注意深く制御して特定のキャッシュの動作を誘導することです。現在、キャッシュタイミング攻撃を検出するために使用される技術は、ヒューリスティックと専門知識に大きく依存しています。この手動入力への依存は、脆弱性を引き起こし、新しい攻撃技術に適応することができなくなる可能性があります。この問題を克服するために、MACTA（Multi-Agent Cache Timing Attack）という解決策が最近提案されました。MACTAは、攻撃者と検出器の両方を訓練するために、集団ベースのトレーニングを活用するマルチエージェント強化学習（MARL）アプローチを利用しています。MARLを採用することで、MACTAは従来の検出技術の制約を克服し、キャッシュタイミング攻撃の検出の全体的な効果を改善することを目指しています。 MACTAの開発と評価には、MA-AUTOCATと呼ばれる現実的なシミュレート環境が作成されました。これにより、キャッシュタイミング攻撃者と検出器のトレーニングと評価を制御可能で再現性のある方法で行うことができます。MA-AUTOCATを使用することで、研究者はさまざまな条件下でMACTAのパフォーマンスを研究し分析することができます。結果は、MACTAがセキュリティ専門家の手動入力を必要としない効果的な解決策であることを示しています。MACTAの検出器は高い汎化能力を示し、トレーニング中に公開されなかったヒューリスティック攻撃に対して97.8％の検出率を達成しています。さらに、MACTAは強化学習（RL）ベースの攻撃者の攻撃帯域幅を平均20％削減します。この攻撃帯域幅の削減は、MACTAがキャッシュタイミング攻撃を緩和する効果を示しています。SOTA検出器に対して、MACTA攻撃者の平均回避率は最大99％に達します。これは、MACTA攻撃者が検出を回避する能力が非常に高く、現在の検出メカニズムに大きな課題を提起していることを示しています。まとめると、MACTAはキャッシュタイミング攻撃の脅威を緩和する新しいアプローチを提供します。MARLと集団ベースのトレーニングを活用することで、MACTAはキャッシュタイミング攻撃の検出の適応性と効果を向上させます。したがって、セキュリティの脆弱性に対処するために非常に有望です。

研究者たちは、ビデオ記録を使用して、鳥の姿勢を3Dで追跡するための新しいマーカーレスAIメソッドを開発しました

動物や鳥の行動、視線、微小な動きを追跡することは、研究者にとって困難な課題であり、正確な3Dアノテーションと複数の角度から撮影されたマーカーレスポーズトラッキングのための動物の注釈付き画像の大規模なデータセットの入手が依然として不足しています。鳥や動物の複雑な行動を観察し理解することの複雑さは、革新的なトラッキング方法の開発に世界的な取り組みをもたらしました。この課題に取り組むため、コンスタンツ大学の集団行動の高度な研究のための卓越クラスター（CASCB）からの研究者たちは、行動研究を進めるためのデータセットを開発しました。このマーカーレスメソッドにより、個々の鳥の微小な行動を追跡し、その動きを観察することが可能になりました。この研究チームは、映像記録を用いて鳥のポーズを識別し追跡するマーカーレスメソッドを成功裏に作成しました。彼らはこの方法を3D-POP（3Dポーズオブピジョン）と呼んでいます。この方法により、ピジョンの映像を記録し、各個体の視線と行動を簡単に識別することができます。したがって、動物にトランスミッターを取り付けて鳥を追跡および識別する必要はもはやありません。また、このデータセットにより、2つのカメラのみを使用して鳥の行動パターンを集合的に研究することが可能になりました。研究者たちは、鳥にとって頭部と体の方向を追跡することで、給餌（地面つつく）、整理、警戒（頭部スキャン）、求愛（頭部下げる）、または歩行などの多くの重要な行動を定量化することができるという事実を利用しました。この3D-POPメソッドを策定した研究者たちは、さまざまな視点から18羽のユニークなピジョンの映像記録を含め、グループのサイズが1、2、5、10のバリエーションを収集しました。彼らはまた、300Kフレームのデータセット全体での個々の識別、2D-3D軌跡、および2D-3Dポーズマッピングのための真の値を提供しました。彼らが作成したデータセットには、バウンディングボックス形式のオブジェクト検出のアノテーションも含まれています。研究者たちは、ジュート生地（3.6m x 4.2m）上を移動するハトからデータセットを収集しました。そして、その生地上に穀物をばらまいて、ハトがその生地エリアで餌を食べるように促しました。その餌付けエリアは、モーションキャプチャ（mo-cap）システム（15m x 7m x 4m）が備えられた大型の囲いの中にありました。モーションキャプチャシステムには、モーションキャプチャカメラ（12台のVicon Vero 2.2、18台のVicon Vantage-5カメラ；100Hz）が30台装備されていました。餌付けエリアの角には、標準の三脚に取り付けられた4台の高解像度（4K）ソニーアクションカメラと、RGBと赤外線LEDライトを5秒ごとに点滅させるArduinoベースの同期ボックスが設置されていました。これらの18羽のハトは6日間の実験のために使用されました。実験のためには、毎日ランダムに10羽のハトが選ばれました。この方法は、動物の行動、視線、微小な動きの追跡に役立っています。研究者たちは、このアノテーション方法が他の鳥や他の動物でも使用できると提案しており、研究者は他の動物の行動を研究し分析することもできるとしています。

「責任あるAIの推進のための新しいパートナーシップ」

「本日、Google、Microsoft、OpenAI、Anthropicが共同でフロンティアモデルフォーラムを設立することを発表しました」

「クラスタリング解放：K-Meansクラスタリングの理解」

K-Meansクラスタリングアルゴリズムを使用して、隠れたパターンを見つけ、意味のある洞察を抽出する方法を学びましょう

Machine learning

Learn more about Search Results A - Page 344