Search Results Yi

「AIに関するアレン研究所の研究者らが、大規模なデータセット上での2段階のトレーニングプロセスによって開発された、新しい科学文書の埋め込みモデルであるSPECTER2を開発しました」

科学的なドキュメント埋め込みの領域は、SPECTERやSciNCLのような既存のモデル内で適応性とパフォーマンスの課題に直面しています。これらのモデルは特定のドメインでは効果的ですが、引用予測タスクに焦点を絞った狭いトレーニングデータの制約などの制限には取り組んでいます。研究者たちはこれらの課題を確認し、これらの問題に対処し、科学的なドキュメント埋め込みの適応性と全体的なパフォーマンスを大幅に向上させる解決策を作成することを目指しました。 SPECTERやSciNCLといった現在の科学的なドキュメント埋め込みのモデルは、進歩を遂げていますが、トレーニングデータの多様性や引用予測に対する狭い焦点の制約に制約されている必要があります。そのため、AIのAllen Instituteに所属する研究チームが取り組み、画期的なSPECTER2モデルを紹介することで、課題形式に特化したアダプターを採用します。SPECTER2は、23の異なる研究分野を横断した9つのタスクにわたる広範なデータセットを活用します。この革新的な進展は、科学的なドキュメントのさまざまなタイプに適したタスク固有の埋め込みを生成するモデルの能力を大幅に向上させるものです。 SPECTER2は、SciBERTのチェックポイントとクエリ、ポジティブ、ネガティブの候補論文からなる三つ組を使用して引用予測の事前トレーニングから開始する緻密なトレーニングプログラムを実施します。その後の段階では、マルチタスクトレーニングのための課題形式固有のアダプターの統合が行われます。この戦略的な拡張により、モデルはさまざまな下流タスクに最適化されたさまざまな埋め込みを生成することが可能になります。このアプローチの洗練度は、以前のモデルに存在する制約を効果的に扱います。最近導入されたSciRepEvalベンチマークの評価によって、SPECTER2は汎用と科学的な埋め込みモデルよりも優れた性能を発揮していることが明らかになっています。特に、特定のタスク形式にカスタマイズされた単一のドキュメントに複数の埋め込みを提供するモデルの傑出した柔軟性と操作効率が強調されています。結論として、SPECTER2は科学的なドキュメント埋め込みの大きな進歩を象徴しています。既存のモデルの欠点を修正するための研究チームの苦闘は、その先駆者たちを超える頑強な解決策を生み出しました。SPECTER2の学際的な境界を超える能力、タスク固有の埋め込みの生成、ベンチマーク評価での常に最先端の結果を一貫して達成する能力により、これは多様な科学的な応用において貴重なツールとなります。このブレークスルーにより、科学的なドキュメント埋め込みの領域は豊かになり、将来の進歩の道を拓くことができます。この投稿は、Allen Institute for AIの研究者が大規模データセット上の2ステップトレーニングプロセスを経て新しい科学的なドキュメント埋め込みモデルSPECTER2を開発しました。

「データサイエンスのスキルを磨くための15のガイド付きプロジェクト」

紹介データサイエンスでは、革新と機会が交差する場で、熟練した専門家の需要が急速に高まっています。データサイエンスは単なるキャリアだけでなく、複雑な問題の解決、イノベーションの推進、未来の形成への入り口です。業界は年間成長率が36%を超えるとされ、データサイエンスのキャリアは財政的な報酬と知的な充実感を約束しています。理論的な知識と実践的な経験の両方が、このダイナミックな環境で成功するために不可欠です。データサイエンスにおけるガイド付きプロジェクトは、理論と応用の架け橋として登場し、指導者の監視のもとでの実践的な学習体験を提供します。ガイド付きプロジェクトとは何ですか？ガイド付きプロジェクトについて学ぶ前に、データサイエンスのキャリアの魅力を把握することが重要です。複雑なアルゴリズムと膨大なデータセットの向こう側で、データサイエンスは現実世界の課題を解明し、産業を前進させる最前線にあります。最近の業界レポートによれば、データサイエンティストの中央値給与は平均を上回っており、それは魅力的なキャリア選択肢となっています。業界の急速な成長は、適切なスキルと専門知識を持つ人々にさらなる機会を提供しています。独立したデータサイエンスプロジェクトの課題課題は巨大なデータセットの管理から洗練されたアルゴリズムの導入、有意義な洞察の導出まで多岐に渡ります。現実のデータサイエンスのシナリオでは、技術的な複雑さとドメイン固有のニュアンスを繊細に理解する必要があります。ここにガイド付きプロジェクトの重要性があります-構造化されたアプローチと専門的な指導によって、難航する旅を啓蒙的な学習体験に変えるのです。当社がお手伝いできるトップ15のガイド付きプロジェクト以下のプロジェクトは当社のBB+プログラムでカバーされています。当社の専門家が卓越した指導力でその内実に対してお手伝いします。 1. NYC Taxi Prediction NYC Taxi Predictionプロジェクトでは、参加者は交通分析のダイナミックな世界に没頭します。過去のタクシートリップデータを活用し、参加者はニューヨーク市のさまざまな場所でのタクシー需要を予測するための予測モデリングに取り組みます。このプロジェクトでは回帰分析と時系列予測のスキルを磨き、空間データの可視化に対する洞察を提供します。タクシー需要の理解と予測は、フリート管理の最適化、カスタマーサービスの改善、効率的な都市交通システムへの貢献に不可欠です。 2. シーン分類チャレンジシーン分類チャレンジでは、参加者は画像を事前定義されたクラスに正確に分類する頑健な画像分類モデルの開発に取り組みます。畳み込みニューラルネットワーク（CNN）や転移学習などの深層学習技術を活用して、参加者は画像認識におけるハンズオンの経験を積みます。このプロジェクトでは、画像分類の文脈での特徴抽出、モデルトレーニング、検証のニュアンスを理解することが目的です。 3. Pascal VOC画像セグメンテーション Pascal VOC画像セグメンテーションプロジェクトでは、参加者は魅力的な画像セグメンテーションの世界に触れます。Pascal VOCデータセットを使用して、参加者は画像内のオブジェクトを正確にアウトライン化する方法を学びます。このプロジェクトでは、セマンティックセグメンテーションの複雑さに深く入り込みます。セマンティックセグメンテーションでは、画像内の各ピクセルを特定のオブジェクトクラスに割り当てることが目標です。画像セグメンテーションの習得は、コンピュータビジョン、医療画像、自動車などのアプリケーションにおいて重要です。…

「実践におけるバージョン管理：データ、MLモデル、およびコード」

バージョン管理は重要な実践です！それがなければ、プロジェクトが乱雑になり、任意のポイントに戻ることが難しくなります重要なモデル設定を失うリスクがあります...

「ジェンAI愛好家が読むべき5冊の本」

イントロダクション技術がますます進化する中、人工知能（AI）の領域は拡大するだけでなく、ジェネラティブAIという様々なサブフィールドにも多様化しています。創造性とAIの融合であるジェンAIは、世界中の産業を変革する準備が整っています。業界の予測によると、ジェンAIセクターは2032年までに驚くべき1.3兆ドルの産業に成長すると予想されています。自身の専門分野を築きたいという意欲的なプロフェッショナルのために、独占的な書籍のページの中には待ち望まれる知識がたくさんあります。ここでは、ジェンAI愛好家が読むべき必須の５冊を厳選して紹介します。「The Artificial Intelligence and Generative AI Bible：[5 in 1] 最も最新かつ完全なガイド」 by Alger Fraley 評価：4.4 『The Artificial Intelligence and Generative AI Bible』は、ジェンAIの複雑な領域を簡素化した包括的な書籍です。AIの基礎、深層学習、NLP、倫理、そして将来の応用に分割された５つの必須セクションで構成されています。この本は複雑な概念を分解し、多様な産業にわたる実践的な洞察と現実の例を提供します。理論だけでなく、倫理的な考慮事項を説明し、AIの潜在的な影響を紹介します。将来に焦点を当てたアプローチで、読者の好奇心を刺激し、革新的な解決策にAIの力を活用する力を与えます。初心者から専門家まで、AIの変革的な能力を理解し活用するための指南となります。「Ripples…

「AIは本当に私たちの感情を理解できるのか？このAIの論文では、ビジョン・トランスフォーマーモデルを用いた高度な顔の感情認識について探求されています」

以下のHTMLコードを日本語に翻訳してください: FERはヒューマンコンピュータインタラクション、感情分析、感情計算、仮想現実において重要な役割を果たしています。それは機械が人間の感情を理解し、対応するのを支援します。手法は、マニュアルの抽出からCNNおよびトランスフォーマーベースのモデルへと進化しています。応用にはヒューマンコンピュータインタラクションの改善やロボットの感情応答の向上などがあり、FERは人間と機械のインターフェース技術において重要です。 FERの最先端の手法は大きく変化してきました。初期のアプローチは手動で作成された特徴量とサポートベクターマシンやランダムフォレストなどの機械学習アルゴリズムに大きく依存していました。しかし、ディープラーニング、特に畳み込みニューラルネットワーク（CNN）の登場により、FERは複雑な表情の空間パターンを巧みに捉えることができるようになりました。それらの成功にもかかわらず、画像の品質、照明条件の変動、人間の表情の複雑さなど、対照度の変動、クラス間のバランスの取れていないデータセット、目隠しなどの課題が依然として存在しています。さらに、FER2013リポジトリなどのデータセットのバランスの取れていない性質がモデルの性能に影響を及ぼしています。これらの課題の解決は、FERの精度と信頼性を向上させることを目指す研究者にとっての焦点となっています。これらの課題に対応するため、最近の論文「Augmented Balanced Datasetsを使用した顔の感情認識におけるVision Transformerモデルの比較分析」は、FER2013のような既存のデータセットの制限に対処するための新しい手法を紹介しています。この研究では、異なるVision Transformerモデルのパフォーマンスを顔の感情認識において評価することを目的としています。また、拡張とバランスの取れたデータセットを使用してこれらのモデルを評価し、顔の表情に正確に感情を認識する能力を確認することに重点を置いています。具体的には、提案された手法は、FER2013リポジトリから品質の低い画像を洗練させ、水平反転、トリミング、パディングなどの高度なデータ拡張手法を用いて新しいバランスの取れたデータセットを作成することが含まれています。この新しいバランスの取れたデータセットであるFER2013_balancedは、データの不均衡を正し、さまざまな感情クラスの間で公平な分布を確保することを目指しています。データの拡張と品質の低い画像の除去により、研究者はデータセットの品質を向上させ、したがってFERモデルのトレーニングを改善することを意図しています。この論文では、データセットの品質がバイアスの予測を緩和し、FERシステムの信頼性を高める上での重要性について詳しく説明しています。最初に、この手法ではFER2013データセットから品質の低い画像を特定し、除外しました。これには対比度の低い画像や目隠しのある画像などが含まれており、これらの要因はそのようなデータセットでトレーニングされたモデルのパフォーマンスに大きく影響します。その後、クラスの不均衡問題を軽減するために拡張が行われました。この拡張は、代表されていない感情の表現を増やすことを目指し、FER2013_balancedデータセット内の各感情カテゴリに対して画像数を均等にすることを目指しました。この後、この手法では幸せ、中立、悲しみなどの過剰なクラスから多くの画像を削除することでデータセットをバランスさせました。この手順により、FER2013_balancedデータセット内の各感情カテゴリについて画像の数を均等にすることを目指しました。バランスの取れた分布は、多数派クラスに対するバイアスのリスクを軽減し、FER研究のより信頼性のある基準を確保します。データセットの問題を解決することへの重点は、顔の感情認識の研究における信頼性の高いスタンダードを確立する上での重要な役割を果たしています。この手法により、バランスの取れたデータセットの構築後、Tokens-to-Token ViTモデルのパフォーマンスが顕著に向上しました。このモデルは、FER2013_balancedデータセットで評価された際に、オリジナルのFER2013データセットに比べて高い精度を示しました。分析はさまざまな感情カテゴリを網羅しており、怒り、嫌悪、恐怖、中立的な表現に対して大きな精度向上が示されています。Tokens-to-Token ViTモデルは、FER2013_balancedデータセットで74.20%の総合精度を達成し、FER2013データセットでの61.28%に対して、提案手法のデータセット品質の向上とそれによる顔の感情認識タスクのモデルのパフォーマンスの改善の効果を強調しています。まとめると、著者はデータセットの品質を向上させることによりFERを向上させる画期的な手法を提案しました。そのアプローチは品質の低い画像を入念にクリーニングし、高度なデータ拡張技術を用いてバランスの取れたデータセットFER2013_balancedを作成することを含んでいます。このバランスの取れたデータセットは、Tokens-to-Token ViTモデルの精度を大幅に向上させ、データセットの品質がFERモデルのパフォーマンス向上において重要な役割を果たすことを示しています。この研究は、データセットの入念なキュレーションと拡張がFERの精度向上に与える重要な影響を強調し、ヒューマンコンピュータインタラクションと感情計算の研究において有望な展望を開いています。記事「AIは本当に私たちの感情を理解できるのか？このAI論文はビジョントランスフォーマーモデルを使用した高度な顔の感情認識を探求します」は、MarkTechPostで最初に掲載されました。

ロボットたちが助けを求める方法を学んでいるとはどういうことか

ロボティクスの進化する世界において、プリンストン大学とGoogleの画期的なコラボレーションが注目されていますこれらの名門機関のエンジニアたちは、重要なスキルであるロボットが助けが必要なときにそれを認識し、どのように頼み方をするかを教える革新的な方法を開発しましたこの開発は、ロボティクスの進歩において重要な一歩を踏み出すものであり、[…]

Robotics

『このAI研究は、IFPおよびリポソーム蓄積を予測するための物理ベースの深層学習を発表します』

がん治療の精緻化を追求する中、研究者たちは、腫瘍のダイナミクスを飛躍的に向上させる画期的な解決策を導入しました。この研究は、筋内腫瘍内液圧（IFP）とリポソーム蓄積を正確に予測する、先駆的な物理学に基づく深層学習モデルに焦点を当てています。この革新的な手法は、がん治療戦略の最適化や腫瘍内での治療薬の分布に対する正確な洞察を提供するという約束を持っています。多くのナノセラピューティクスの基盤となるのは、高い浸透性および保持（EPR）効果です。これは、腫瘍の特性である血管透過性と血管間圧力勾配を利用しています。しかし、EPR効果が治療結果に与える影響は一貫性がないことが示されています。この一貫性の欠如は、固形腫瘍内での薬物送達に影響を与える要素のより深い探求を促しました。これらの要因の中で、間質液圧（IFP）が重要な決定要因として浮上し、リポソーム薬物の中心領域への送達を厳しく制約しています。さらに、高いIFPは独立した予後マーカーとして機能し、特定の固形がんにおける放射線療法や化学療法の効果に大きな影響を与えます。これらの課題に直面し、研究者たちは、前処理および投与後の画像データを使用して、ボクセルごとの筋内腫瘍内リポソーム蓄積とIFPを予測する高度なモデルを提案しています。彼らのアプローチのユニークさは、機械学習と偏微分方程式を組み合わせた最先端の物理学に基づく機械学習の統合にあります。研究者たちは、合成生成された腫瘍から得られたデータセットにこの革新的な技術を適用することで、モデルの高い予測精度と最小限の入力データでする予測を実証しています。既存の方法論は、腫瘍内でのリポソームの分布とIFPを一貫かつ正確に予測する必要があります。この研究の貢献は、物理学に基づいた原則と機械学習を統合する前例のないアプローチを導入することで、自らを区別しています。この革新的なモデルは、正確な予測だけでなく、がん治療の設計に即効性のある示唆を提供します。腫瘍内でのリポソームおよびIFPの空間的分布を予測できる能力は、腫瘍のダイナミクスに関するより深い理解のための新たな道を開き、より効果的かつ個別化された治療介入への道を築きます。提案された手法の詳細に踏み込んで、ウォータールー大学とワシントン大学の研究チームは、物理学に基づいた深層学習を使用してボクセルレベルでの予測を達成する方法を説明しています。このモデルが合成腫瘍データに依存していることは、その堅牢性と効率を示し、がん治療における高いIFPがもたらす課題への潜在的な解決策を提供しています。研究者たちは、最小限の入力データでの拡張性と適用可能性を披露することで、そのポテンシャルを強調しており、腫瘍の進行予測や治療計画の支援におけるその可能性を強調しています。まとめると、この画期的な研究は、リポソームベースのがん治療に関連する複雑さに取り組むための変革的なアプローチを示しています。物理学に基づく機械学習を統合した彼らのモデルは、筋内腫瘍内リポソーム蓄積と間質液圧の正確なボクセルレベルの予測を提供します。この革新は、腫瘍のダイナミクスの理解を進め、治療設計に即効性のある示唆を持つことで、より効果的かつ個別化された介入の可能性を強調しています。予測可能性の向上と治療の成功に向けた重要な進歩を示すこの研究の重要性は、見逃すことはできません。

オープンLLMリーダーボード：DROPディープダイブ

最近、新たに3つの新基準がOpen LLM Leaderboardに追加されました。Winogrande、GSM8k、そしてDROPです。これらはEleutherAI Harnessの再現実装を使用しています。DROPのスコアをざっと見てみると、f1スコアでほとんどのモデルが10点以下という奇妙な現象が起こっていることがわかりました。私たちはこの問題を深く掘り下げ、何が起こっているのかを理解するために調査を行いました。一緒に調査結果を見ていきましょう！初期の観察結果 DROP（段落に対する離散的な推論）は、モデルが英語の段落から関連する情報を抽出し、それらに対して離散的な推論手法（例えば、ソートやアイテムの数え上げなどを行い、正解にたどり着く）を実行する必要がある評価です（例は下の表を参照してください）。使用される評価指標はカスタムのf1スコアと完全一致スコアです。 DROPをOpen LLM Leaderboardに3週間前に追加しましたが、事前学習モデルのf1スコアは予想外の傾向を示しました。DROPのスコアをARC、HellaSwag、TruthfulQA、MMLUのリーダーボードの元々の平均（モデル全体のパフォーマンスの合理的な代理）と比較したとき、優れたモデルほどDROPのスコアも良い関連性があると予想していました。しかし、それは一部のモデルにしか当てはまらず、他のすべてのモデルのDROPのf1スコアは10点未満でした。正規化の問い合わせこの驚くべき振る舞いに対する最初の深い調査中に、正規化ステップが意図した通りに機能していない可能性があることがわかりました。いくつかのケースでは、正規化が正しい数値の回答を無視してしまっていました。具体的には、数値の回答の後に空白文字（スペース以外の改行など）が続いていた場合に正規化が無視されていました。以下に例を示します。生成結果が10\n\nPassage: The 2011 census recorded a population of 1,001,360で、正解が10である場合を見てみましょう。正規化は生成結果と正解の両方に対して複数のステップで行われます：区切り文字での分割 |、-、または. を使って分割します。生成結果の先頭のシーケンス 10\n\nPassage:…

「Streamlitを使用してナンバープレート認識アプリを作成する」

この記事は、事前学習済みのモデルを使用して可変行のナンバープレートからテキストを抽出する解決策を簡単に説明し、Streamlitを使用してウェブアプリを構築する手順を段階的に説明します

「Rasaパワードチャットボット：シームレスなConfluence＆Jira統合ガイド」

イントロダクション最近、チャットボットは人工知能によって駆動される洗練された会話エージェントに進化してきました。このガイドでは、ConfluenceのページやJiraのチケットに関連するユーザークエリに対応するために特別に設計された高度なRasaパワードのチャットボットの構築について詳しく説明します。ConfluenceとJiraを統合することで、情報の検索を効率化し、統一的な作業環境を促進します。Confluenceは共同のドキュメンテーションを容易にし、Jiraは強力なプロジェクト管理ツールです。これらのプラットフォームとシームレスに統合するチャットボットを作成することで、チームがコンテンツの共同作業とプロジェクトの管理においてアクセシビリティが向上し、効率が最適化されます。学習目標この記事では、次のことを学びます： Rasaプロジェクトのセットアップ: Rasaプロジェクトを開始し、高度なチャットボットの開発のための基盤を構築する方法を学びます。 NLUインテントの定義: ConfluenceとJiraのクエリに対して特定の自然言語理解（NLU）インテントを定義し、チャットボットの理解力を高めます。カスタムアクションの開発: 拡張機能を実現するために、ConfluenceとJiraのAPIと対話するためのPythonベースのカスタムアクションを作成します。モデルのトレーニングとテスト: モデルのトレーニングプロセスを理解し、チャットボットの汎用性を確保し、継続的な改善のための反復テストを行います。この記事はData Science Blogathonの一環として公開されました。基本概念 Rasa Rasaはオープンソースの会話型AIプラットフォームであり、開発者に強力なコンテキスト認識型のチャットボットの構築を可能にします。単純なルールベースのシステムを超えて、Rasaは機械学習を利用して複雑なユーザー入力を理解し、応答します。自然言語処理の機能と対話管理ツールにより、Rasaはインテリジェントな会話エージェントを作成するための多目的なソリューションとなっています。 Jira JiraはAtlassianによって開発された有名なプロジェクト管理および課題追跡ツールです。アジャイルソフトウェア開発で広く使用されており、Jiraはタスクを整理し、問題を追跡し、チームがワークフローを効率化するための機能を提供しています。ワークフローのカスタマイズやリアルタイムのコラボレーションなど、幅広い機能があり、開発チームやプロジェクトマネージャーの間で人気があります。Jiraの豊富なRESTful APIを利用すると、外部ツールやアプリケーションとのシームレスな統合が可能で、リアルタイムデータの交換や自動化を容易にします。 Confluence Confluenceもまた、Atlassianによって開発された共同作業プラットフォームであり、組織内での効率的なドキュメンテーション、知識共有、チームワークを支援します。チームがコンテンツを作成、共有、共同作業するための中央集権的なスペースであり、プロジェクトのドキュメンテーション、会議の議事録、一般的な知識管理にとって重要なツールです。リアルタイムの共同編集により、複数のチームメンバーが同じドキュメントで同時に作業することができます。Confluenceの強力な検索機能により、関連する情報を効率的に見つけることができます。ConfluenceはJiraなどの他のAtlassian製品とシームレスに統合され、統一されたプロジェクト管理とドキュメンテーションのエコシステムを作成します。チャットボット…

Learn more about Search Results Yi - Page 8