Learn more about Search Results A - Page 566

「ジオスペーシャルデータの同時変化を示すためのPythonによる5つの可視化」

時間と空間は、私のお気に入りの映画である『インターステラー』など、一部のSF映画の主題として設定されていますこのような映画が興味深い理由の一つは、同時に起こるストーリーです...

2024年、データサイエンティストとして、より良いワークライフバランスを実現するために、以下の境界線を設定しましょう

グーグルで「ワークライフバランス」と検索すると、29億の検索結果が表示されますそれだけでも、私たちがみな求めていることが明らかですそれだけでなく、過去3年間で注目されるようになりました...

「事実かフィクションかを超えて：GPT-4の高度な事実チェック能力の評価」

チューリッヒ大学の研究者たちは、GPT-4などの大規模言語モデル（LLM）が自律的なファクトチェックにおいてどのような役割を果たすかに焦点を当てています。彼らはクエリのフレーズ、文脈データの取得、意思決定を行いながら説明と引用を提供する能力を評価しています。結果は、GPT-4を含むLLMは文脈情報を持つ場合には良好なパフォーマンスを発揮するが、クエリ言語と主張の真実性によって正確さが異なることを示しています。ファクトチェックにおいては有望な結果が出ているものの、正確さの一貫性により、彼らの能力と制約をより深く理解するためにさらなる研究が必要とされています。 自動ファクトチェックの研究は、過去10年間にさまざまなアプローチや共有タスクとともに進化してきました。研究者たちはクレームの検出と証拠の抽出などの要素を提案してきましたが、しばしば大規模言語モデルやウィキペディアなどの情報源に依存しています。しかし、ファクトチェックの結論に対する明確な説明が重要であるため、説明可能性の確保は依然として課題となっています。 インターネット上のデマによる情報の増加とともに、ファクトチェックの重要性も高まっています。ホークスは2016年の米国大統領選挙やブレグジット国民投票などの重要なイベントでこの増加を引き起こしました。大量のオンライン情報のために、マニュアルファクトチェックを改善する必要があり、自動化されたソリューションが必須となりました。GPT-4のような大規模言語モデルは情報の検証において重要な役割を果たしています。ジャーナリズムの応用分野での説明可能性の向上が課題となっています。 本研究では、GPT-3.5とGPT-4を中心にLLMのファクトチェックへの利用を評価しています。モデルは外部情報なしと文脈にアクセスできる2つの条件の下で評価されます。研究者たちはReActフレームワークを使用して反復的なエージェントを作成し、自動化されたファクトチェックを行い、検索を終了するかさらなるクエリを続けるかを自律的に判断し、その理由を引用しながら判定を正当化します。 提案された方法では、LLMの自律的なファクトチェックにおけるGPT-4のパフォーマンスが一般的にPolitiFactデータセットでGPT-3.5を上回ることが示されています。文脈情報はLLMのパフォーマンスを大幅に向上させます。ただし、半真実やほとんどの間違ったカテゴリなど、正確さが異なるニュアンスのカテゴリでは慎重さが必要です。本研究は、LLMがファクトチェックのタスクにおいて優れた検出能力を発揮するかどうかをより深く理解するためにさらなる研究が求められることを強調しています。 GPT-4はファクトチェックにおいてGPT-3.5を上回り、特に文脈情報が組み込まれた場合に優れたパフォーマンスを発揮します。ただし、クエリ言語や主張の信頼性などの要素によって正確さが異なるため、慎重さが必要です。LLMの展開時には情報を持った人間の監督が重要であり、10%の誤り率でも現在の情報の環境では重大な影響があることを強調し、人間のファクトチェッカーの欠かせない役割を示しています。 LLMエージェントがファクトチェックにおいて優れたパフォーマンスを発揮する条件を総合的に理解するためには、さらなる研究が不可欠です。LLMの正確性の一貫性を調査し、パフォーマンスを向上させる方法を特定することが優先されます。将来の研究では、クエリ言語によるLLMのパフォーマンスの比較や主張の真実性との関係を検証することができます。関連する文脈情報をLLMに組み込むための多様な戦略を探求することは、ファクトチェックの向上の可能性を秘めています。真実の主張に比べて偽の主張をより優れた検出するモデルの要因を分析することは、正確性を向上させるために貴重な洞察を提供できます。

この人工知能に焦点を当てたチップは効率を再定義します：処理とメモリを統合することでエネルギーの節約を倍増させる

データ中心のローカルインテリジェンスの需要が高まる中、デバイスが自律的にデータを解析できるようにするという課題がますます重要となっています。これらのエッジAIデバイスは、ウェアラブルデバイス、センサー、スマートフォン、自動車などを包括し、半導体産業の次の成長フェーズを示しています。これらのデバイスは、リアルタイムの学習、自律性、埋め込み型インテリジェンスをサポートしています。 しかし、これらのエッジAIデバイスは、フォンノイマンボトルネックとして知られる重要な障害に直面しています。特にディープラーニングやAIに関連するメモリバウンドの計算タスクでは、従来のアルゴリズムロジックユニット内のローカル計算能力を超えるほどのデータアクセスの需要が生じます。 この計算上のジレンマを解決するための道筋は、インメモリコンピューティング（IMC）を含む多くのアーキテクチャイノベーションに繋がってきました。メモリアレイ内で直接乗算蓄積（MAC）演算を行うことにより、IMCはAIシステムを革新する可能性を秘めています。既存のIMCの実装では、バイナリ論理演算が主であり、複雑な演算には制約があります。 新しいインメモリコンピューティング（IMC）クロスバーマクロでは、マルチビットMAC演算用のマルチレベルフェロ電界効果トランジスタ（FeFET）セルが特徴です。このイノベーションにより、従来のバイナリ演算の制約を超え、メモリセル内に格納されたデータの電気特性を利用して、アクティベーションタイムと蓄積電流に符号化されたMAC演算結果を導き出すことができます。 この革新的な性能は、驚くべきものです。追加のトレーニングなしに、手書き認識において96.6%の正確性、画像分類において91.5%の正確性を達成し、このソリューションはAIの風景を変える準備が整っています。エネルギー効率は、885.4 TOPS/Wと評価され、既存の設計のほぼ2倍となり、産業を前進させる潜在能力を更に強調しています。 まとめると、この画期的な研究はAIとインメモリコンピューティングにおいて大きな進歩を表しています。フォンノイマンボトルネックに取り組み、マルチビットMAC演算に新たなアプローチを導入することで、このソリューションはAIハードウェアに新しい視点を提供するだけでなく、エッジにおけるローカルインテリジェンスの新たな可能性を開拓し、最終的にはコンピューティングの未来を形作ることを約束しています。

「UBCと本田技研が、敏感なロボット用の革命的なソフトセンサーを発表」

「ロボット工学と義肢医療の領域を抜本的に変える画期的な進展が、ブリティッシュコロンビア大学（UBC）の研究者たちとホンダの共同研究により実現されました彼らは、スマートで伸縮性があり、驚くほど感度の高いソフトセンサーを開発しましたこの最先端技術は、さまざまな応用を可能にし、ロボットや義肢装置の新たな時代の幕開けを告げる可能性を秘めています」

スタンフォードの研究者がRoboFuMeを導入：最小限の人間の入力でロボットの学習を革新する

機械学習を含む多くのドメインでは、タスク固有のモデルを学習するための広範な成功パラダイムとして、まず既存の多様な先行データセットから汎用モデルを事前トレーニングし、その後タスク固有のデータを少量追加してモデルを適応させることが一般的です。これはロボットの現実世界での学習にも魅力的であり、ロボット上でデータを収集することは高価ですが、既存のモデルを小規模なタスク固有データセットに対して微調整することで新しいタスクの学習のデータ効率を大幅に改善できます。オフライン強化学習を使用してポリシーを事前トレーニングし、オンライン強化学習で微調整することは、ロボット工学においてこのパラダイムを実装する自然な方法です。ただし、このレシピを実践する際には数多くの課題が発生します。 まず第一に、ロボットのプラットフォームに比べて、市販のロボットデータセットは頻繁に異なるオブジェクト、設置物の配置、カメラの視点、照明条件を使用します。事前トレーニングとオンライン微調整データの間に非自明な分布のシフトがあるため、ロボットポリシーの効果的な微調整は困難です。ほとんどの先行研究では、微調整と事前トレーニングの両方に同じハードウェアインスタンスを使用することがロボットの利点として強調されます。第二に、実際の世界でポリシーをトレーニングまたは微調整する際には、しばしば人間の監督が必要です。この監督は、試行の間に環境を手動でリセットし、報酬関数を設計することを含みます。 この研究では、これらの2つの問題に取り組み、最も少ない人間と時間を要する努力でロボットの微調整を可能にする実用的なフレームワークを提供します。過去数年間、効果的かつ自律的な強化学習アルゴリズムの開発においては大きな進展がありました。ただし、これらのシステムは人間の監督とさまざまなデモデータセットを学習することができますが、人間工学的なインセンティブメカニズムや手動の環境リセットの必要はありません。リセットフリー強化学習（RL）は、人間の手動による環境リセットの必要性を軽減するために一部の研究で提案された方法です。訓練中、エージェントはタスクポリシーとリセットポリシーの両方を交互に実行し、オンラインの経験を使用して両方を更新します。 ただし、これらの研究ではさまざまな商用ロボットデータセットを使用していません。これらの新しい技術は、微調整フェーズにおける人間の監督を最小化しようとするシステムに含まれていませんが、オフライン強化学習アルゴリズムの最近の進歩により、ポリシーはさまざまなオフラインデータを利用し、オンライン微調整を通じてさらに発展することが可能になりました。他の論文では、報酬予測モデルの学習が人間指定の報酬関数の必要性を代替できると提案していますが、実際のRL微調整環境でこれらのモデルの多くが壊れやすいことが判明しました。結論として、以前の研究は、効果的で人間不在のロボット学習のための機能的なシステムを構築するために必要な個々のコンポーネントを提供したにもかかわらず、どのコンポーネントがどのように組み立てられるかはまだ決定されていません。 スタンフォード大学の研究者たちは、ROBOFUMEというシステムを作成しました。このシステムは、オフラインデータセットのさまざまな利用とオンライン微調整を使用して、自律的で効果的な現実世界のロボット学習を実現します。このシステムは2つのステージで動作します。事前トレーニングフェーズでは、さまざまな先行データセット、対象タスクのサンプルの失敗観測の小規模なコレクション、いくつかのタスクのデモンストレーション、および対象タスクのリセットデモンストレーションにアクセスできることを前提とします。彼らはこのデータから言語条件付きのオフライン強化学習マルチタスク戦略を導出します。オンライン対話とオフライン対話の間の分布シフトを処理するために、異種なオフラインデータを効率的に処理できるアルゴリズムが必要です。 彼らは、キャリブレートされたオフライン強化学習技術により、事前訓練済みのポリシーがさまざまなオフラインデータを効率的に処理し、オフラインデータから学習したポリシーのQ値のスケールを修正し、予測された値を過小評価することで、オンライン微調整中に継続的に改善できることを発見しました。彼らは報酬エンジニアリングの必要性を排除するために報酬予測モデルを開発し、オンライン微調整フェーズが可能な限り少ない人間の入力で行われることを保証する必要があります。 彼らの巧妙なアプローチは、頑丈な事前トレーニング表現を提供するために大規模なビジョン言語モデル（VLM）を使用し、その後インドメインデータのわずかな量で微調整し、報酬分類シナリオに特化させることです。事前トレーニング済みのVLMは、インターネットの大規模な言語とビジュアルデータを使用して既にトレーニングされています。これにより、以前の取り組みで使用されたモデルと比較して、モデルは照明やカメラの配置の変化に対してより強力になります。微調整ステージでは、ロボットは実際の世界でポリシーを独立して調整し、タスクの完了を試行すると同時に環境を初期状態分布に復元します。一方、エージェントはスタンドイン報酬として事前トレーニング済みのVLMモデルを使用して手順を更新します。 彼らのフレームワークを評価するために、彼らはBridgeデータセットで事前学習し、その後、折りたたみや布を覆うなどのさまざまな下流の現実世界のタスクでテストします。彼らの戦略は、わずか3時間の対面指導で、オフラインのみのテクニックと比較して注目すべき利点を提供することを発見しています。シミュレーションシナリオでは、彼らは追加の定量試験を行って、彼らの戦略が模倣学習やオフライン強化学習手法よりも優れていることを示しています。これらの手法はオンラインで微調整しないか、過去のデータのバラエティを使用しない手法です。 初めに、以前のロボットデータセットからの事前学習を完全に自律的なシステムとし、最小限のリセットと学習済みの報酬ラベルを用いて不明の下流タスクへの微調整を行うことが彼らの主な貢献の一つです。さらに、訓練済みのビジョン・ランゲージモデルを改良し、それらを利用して下流の強化学習のための代替報酬を作成するテクニックを開発しました。

「2024年のソフトウェア開発のトレンドと予測18」

2024年のソフトウェア開発の世界は、急速な技術の進歩と同時に進化するセキュリティの課題に備えています

「量子世界での秘密の保持」

暗号学者たちは、将来の量子コンピュータからの攻撃に耐える強力なデータ暗号化スキームに取り組んでいます

ガローデットの最新技術革新はヘルメットです

聴覚障害のあるサッカー選手は、プレイの視覚的な表示を提供するプロトタイプのヘルメットの恩恵を受けることができます

「量子コンピュータを使用して暗黒物質を見つける」

今年の8月は、IBMのグローバル量子サマースクールに捧げられましたそこで、私は短期間と厳しいスケジュールの中で基礎を学ぶだけでなく、量子のいくつかの応用も学びました...

Find the right Blockchain Investment for you

Web 3.0 is coming, whether buy Coins, NFTs or just Coding, everyone can participate.

Advertising with us