Search Results さまざまな要素

「量子もつれ測定の革命：限られたデータで深層学習が従来の方法を上回る方法」

系統の量子もつれの程度は、系統のランダム性や量子もつれの係数など、さまざまな要素に依存します。この系統の特性は、機械学習またはディープラーニングアルゴリズムを用いて示されるか予測される指定された数値によって定義されます。近年、系統の量子もつれのプロセスには大きな発展がありました。これは、さまざまなドメインにわたって多様化された幅広い応用があります。問題の主な焦点は、系統のもつれの程度である係数を測定することです。ただし、問題は、系統の量子状態を測定することで、プロセスを通じて達成されたもつれの程度が消えてしまうことです。この問題を解決するために、研究者のグループはこれらの複数の量子状態の複数のコピーを作成しました。量子状態ごとにもつれの程度が測定されます。この方法は、ほぼ100％の精度と良いF1スコアを確保します。かなり高い計算能力が必要です。この技術は量子トモグラフィと呼ばれます。この問題を古い機械学習のアプローチで解決しようとすると、この方法はかなり手間がかかります。したがって、研究者は教育された数の推測を用いてこの問題を解決しようとしました。このアプローチはディープラーニングニューラルネットワークの助けを借りて行われました。このアプローチでは、データまたは測定の説明をディープレイヤにわたって渡すことが含まれます。最尤推定アルゴリズムは、量子相関を出力として得るためにニューラルネットワークで使用されます。これらの量子相関は、決定された量子相関とも呼ばれます。このディープラーニングアプローチは、適合率と再現率の値を大幅に改善しました。研究チームは、直接測定する代わりに、このアプローチを使用して系統のもつれの程度を測定しました。このアプローチは非常に満足のいく結果を提供しました。AIアプリは、後に展開された次のアプローチを使用して生成されました。このアプリは、数値データを使用してもつれの程度を表す量子状態を学習するためにトレーニングされました。このモデルは、各ランでより正確な結果をもたらすために、大量のエポックと高い学習率を使用してトレーニングされました。研究者は、系統のもつれの程度に関するデータセットを使用してこのAIアプリモデルをテストしました。テスト結果では、エラーレートが現在の値の90％にまで低下しました。研究者たちはまた、モデルを実世界環境でも再びテストしました。その結果はほぼ同じであり、シミュレートされたデータで示された改善の範囲も同じでした。結果は公式に研究論文として発表され、エラーレートもある程度まで低下しました。

「生データから洗練されたデータへ：データの前処理を通じた旅 – パート1」

私たちの機械学習のタスクに必要なデータは、時々Scikit-Learnや他の機械学習ライブラリでコーディングするための適切な形式ではありませんその結果、データを処理する必要があります...

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

「カオスから秩序へ：データクラスタリングを活用した意思決定の向上」

「オンラインストアは、購買パターン、購入日、年齢、収入などの要素に基づいて顧客をクラスタリングするために、この方法を使用していますこれにより、ストアは自身の顧客層を理解することができます…」

AI ポリシー @🤗 EU AI Act におけるオープンな機械学習の考慮事項

機械学習の皆様と同様に、Hugging FaceでもEU AI Actに注目しています。これは画期的な法律であり、民主的な要素がAI技術開発との相互作用をどのように形成するかを世界中に広めるものです。また、社会のさまざまな要素を代表する組織との広範な協議と作業の結果でもあります。私たちはコミュニティ主導の企業として、このプロセスに特に敏感に取り組んでいます。このポジションペーパーでは、Creative Commons、Eleuther AI、GitHub、LAION、Open Futureとの連携により、オープンなML開発の必要性が法律の目標をサポートする方法についての私たちの経験を共有し、逆に、規制がオープンでモジュラーで協力的なML開発のニーズをより適切に考慮するための具体的な方法を示すことを目指しています。 Hugging Faceは、開発者コミュニティのおかげで今日の地位にあります。そのため、オープンな開発がもたらす効果を直接目にしてきました。より堅牢なイノベーションをサポートし、より多様でコンテキストに応じたユースケースを可能にする場所です。開発者は革新的な新しい技術を簡単に共有し、自分のニーズに合わせてMLコンポーネントを組み合わせ、スタック全体について完全な可視性を持って信頼性のある作業ができます。また、技術の透明性がより責任ある取り組みと包括性をサポートする上での必要な役割にも痛感しており、MLアーティファクトの文書化とアクセシビリティの改善、教育活動、大規模な多学科のコラボレーションのホスティングなどを通じてこれを促進してきました。そのため、EU AI Actが最終段階に向かうにつれて、MLシステムのオープンかつオープンソースな開発の特定のニーズと強みを考慮することが、その長期的な目標をサポートする上で重要になると考えています。共同署名したパートナー組織と共に、以下の5つの推奨事項を提案します： AIコンポーネントを明確に定義することオープンソースのAIコンポーネントの共同開発とパブリックリポジトリでの公開は、開発者をAI Actの要件の対象としないことを明確にすること（パーラメントの文章のRecitals 12a-cとArticle 2(5e)を基に改善すること） AIオフィスの調整と包括的なガバナンスをオープンソースエコシステムと連携させること（パーラメントの文章を基に改善すること）研究開発の例外が実用的かつ効果的であることを確保すること。現実世界の条件での限定的なテストを許可し、理事会の取り組みの一部とパーラメントのArticle 2(5d)の改訂版を組み合わせること「基礎モデル」に対して比例の要件を設定すること。異なる使用方法と開発モダリティを明確に区別し、オープンソースアプローチを含めること。パーラメントのArticle 28bを適用することこれらについての詳細と文脈は、こちらの全文をご覧ください！

遺伝的アルゴリズムを使用したPythonによるTV番組スケジューリングの最適化

「VoAGIに新しい投稿を書いたのは久しぶりです2年間、私は機械学習とディープラーニングを通じて伝統的なメディアセクターでどのような改善ができるかを研究してきました...」

「AWSは責任ある生成AIへの取り組みを再確認する」

人工知能（AI）や機械学習の先駆者として、AWSは責任を持って生成的AIの開発と展開に取り組んでいます生成的AIは、私たちの時代で最も革新的なイノベーションの一つであり、世界の想像力を捉え続けています私たちは引き続き、責任を持ってそれを活用することに全力を注いでいます専門の責任あるAIチームを持ち、[…]

Artificial Intelligence

機械学習モデルの説明可能性：AIシステムへの信頼と理解の向上

AIを倫理的で信頼性のある方法で利用するためには、研究者はモデルの複雑さと解釈の容易さをバランスさせるための方法論の開発を続ける必要があります

「ラスティックデータ：Plottersを使用したデータの可視化ー第1部」

プロッターは、データの視覚化のための人気のあるRustライブラリです高品質のグラフ、チャート、およびその他の視覚化を作成するためのさまざまなツールと機能を提供していますこれは...

「Brain2Musicに会ってください：機能的磁気共鳴画像法（fMRI）を用いた脳活動から音楽を再構築するためのAI手法」

音楽が好きな人は誰でもいますよね？曲のリズムを覚えているけれど歌詞が思い出せず、曲の名前が分からないことはありませんか？Googleと大阪大学の研究者たちは、機能的磁気共鳴画像法（fMRI）を使用して、脳活動から音楽を再構築する方法を見つけました。ジャンル、楽器、ムードに基づいて音楽が生成されます。 Googleと大阪大学の研究者は、fMRIスキャンなどの特徴から深層ニューラルネットワークを使用して、高レベルで意味的に構造化された音楽を予測することで音楽を生成しています。人間の聴覚皮質の活動に基づいて、音楽のさまざまな要素を予測することができます。研究者たちは、予測可能なアーティファクトから成る高い時間的結束性を持つ音楽を生成するJukeBoxを実験しました。また、高品質な再構成を伴う低ビットレートの圧縮ニューラルオーディオコーデックを使用して、高品質の音声を生成しています。 fMRIから音楽を生成するには、音楽埋め込みを選択することによる音楽表現を含む中間段階が必要です。彼らが使用したアーキテクチャには、次の音楽生成に対してボトルネックとなる音楽埋め込みが含まれています。予測された音楽埋め込みが被験者が聞いたオリジナルの刺激の音楽埋め込みに近い場合、MusicLM（音楽生成モデル）を使用してオリジナルの刺激に似た音楽を生成します。音楽生成モデルMusicLMは、MuLanとw2v-BERT-avgという名前のオーディオ派生の埋め込みを含んでいます。2つの埋め込みのうち、MuLanは人間の脳での高レベルの音楽情報処理を捉えるため、側頭前皮質で高い予測性能を示す傾向があります。音楽に関する抽象的な情報は、オーディオ派生の埋め込みと比較して聴覚皮質で異なる形で表現されます。 MuLanの埋め込みは、生成モデルを使用して音楽に変換されます。埋め込みに含まれていない情報は、モデル内で再獲得されます。検索技術では、再構成も音楽的であり、音楽のデータセットから直接引き出されます。これにより、より高い再構成品質が確保されます。研究者たちは、fMRI応答データから線形回帰を使用します。この方法には、fMRIデータからの線形回帰の正確な情報量に不確実性があるという制約もあります。研究者は、将来の課題として、個人の想像から音楽を再構築することを挙げています。ユーザーが音楽の断片を想像すると、デコーディング分析はその想像がどれだけ忠実に再構築できるかを調べます。これは実際のマインドリーディングのレベルに該当します。異なる音楽の専門知識を持つ多様な対象が存在し、比較による複数の再構成特性が必要です。プロの音楽家を含む被験者間での再構成品質の比較は、彼らの視点と理解の違いに関する有益な見識を提供することができます。彼らの研究は、純粋で想像力に満ちた思考を具現化するための最初の一歩に過ぎません。これはまた、被験者の心の中の純粋な想像からホログラムを生成することにもつながるでしょう。この分野の進歩は、生物学的な観点からの定量的な解釈を提供することにもなります。

Learn more about Search Results さまざまな要素 - Page 8