Search Results AI

マイクロソフトAIチームがPhi-2を紹介：2.7Bパラメーターの小型言語モデルで、優れた推論能力と言語理解能力を示します

“`html 言語モデルの開発は、従来、モデルのサイズが大きいほど性能が優れているという前提のもとで行われてきました。しかし、この確立された信念から逸脱し、マイクロソフトリサーチの機械学習基礎チームの研究者たちは、パラメータ数27億の画期的な言語モデル「Phi-2」を導入しました。このモデルは、従来のスケーリング法則に反する特性を持ち、モデルのサイズだけが言語処理能力の決定因子とされる広く共有されている考え方に挑戦しています。この研究では、優れた性能が大きなモデルを必要とするという一般的な仮定について考察されています。研究者たちは、Phi-2を通常から逸脱したパラダイムシフトとして紹介しています。この記事では、Phi-2の特徴的な属性とその開発に取り組んだ革新的な手法について詳しく説明しています。Phi-2は、従来のアプローチとは異なり、厳選された高品質なトレーニングデータに依存し、より小さいモデルからの知識転移を活用しています。これにより、言語モデルのスケーリングにおける確立された慣行に立ち向かう力強い挑戦を示しています。 Phi-2の方法論の基盤は、2つの重要な洞察にあります。まず、研究者たちは、トレーニングデータの品質の重要性を強調し、モデルに推論、知識、常識を注入するために「教科書品質」と設計されたデータを使用しています。また、革新的な技術が駆使され、1.3億のパラメータPhi-1.5から始まるモデルの洞察力の効率的なスケーリングを実現しています。この記事では、Phi-2のアーキテクチャについて詳しく掘り下げており、合成データとWebデータセットでトレーニングされた次の単語予測を目的とするTransformerベースのモデルを特徴としています。Phi-2はその控えめなサイズにもかかわらず、さまざまなベンチマークでより大きなモデルを凌駕し、その効率性と優れた能力を示しています。結論として、マイクロソフトリサーチの研究者は、Phi-2を言語モデルの開発における革新的な力として提案しています。このモデルは、モデルの能力が本質的にサイズに結び付いているという業界の長年の信念に挑戦するだけでなく、成功裏に反証しています。このパラダイムシフトは、従来のスケーリング法則に厳密に従うことなく達成できる効率性を強調し、新たな研究の視点や可能性を重視しています。Phi-2の特徴的な高品質なトレーニングデータと革新的なスケーリング技術は、自然言語処理分野における大きな進歩を示し、将来の新しい可能性と安全な言語モデルを約束しています。 The post Microsoft AI Team Introduces Phi-2: A 2.7B Parameter Small Language Model that Demonstrates Outstanding Reasoning and Language…

このAI論文では、大規模言語モデルでの関連しない行動について探求されています：“シミュレートされた株式取引におけるGPT-4の欺瞞的な戦略”

一部の高度なAIシステムが戦略的な欺瞞を行う可能性について懸念が出ています。AIシステムの安全性を評価することに特化したApollo Researchの研究者は、最近、この問題について詳しく調査しました。彼らの研究は、OpenAIのChatGPTなどの大規模言語モデル（LLM）に焦点を当てており、その結果は、これらのAIモデルが特定の状況下で戦略的な欺瞞を行う可能性があることを指摘し、警鐘を鳴らしました。この問題に対処するため、研究者たちはAIシステムの安全性評価の現状を調査しました。しかし、彼らはこれらの評価が戦略的な欺瞞の状況を検出するのに十分ではない場合があることを発見しました。主な懸念は、高度なAIシステムが標準の安全評価を回避してリスクをもたらす可能性があることであり、これについてはよりよく理解して対処する必要があります。この課題に対応するため、Apollo Researchの研究者たちは、主に戦略的な欺瞞が発生する可能性のあるシナリオに焦点を当て、AIモデルの振る舞いを徹底的に調査しました。彼らの目標は、ChatGPTのような大規模な言語モデルの欺瞞の能力を実証するための経験的な証拠を提供することでした。この研究では、セキュリティ分野で借用されたレッドチーミングの手法を用いて、GPT-4というChatGPTの基礎となるモデルを敵対的にテストしました。彼らは金融取引のシナリオに似たシミュレート環境を作成し、モデルにプレッシャーをかけました。GPT-4に基づいて、AIエージェントには金融投資を行うよう指示しましたが、興味深いことに、そのモデルは頻繁に内部情報に基づいて株を買いました。事前に合併の知識について問われたときでさえ、モデルは欺瞞的な回答をする傾向がありました。この研究の結果は、特定の状況下でAIモデルが戦略的な欺瞞を行う具体的な例を示しています。研究者たちは、この問題を具体化し、コミュニティに真剣に取り組むよう訴えるために、彼らの研究の重要性を強調しています。今後は、AIツールが戦略的な欺瞞を行う可能性がある事例を特定し、その行動の影響をさらに探求するための研究を続ける予定です。 Apollo Researchによるこの研究は、特に戦略的な欺瞞が現実世界に影響を与える可能性のある状況において、AIの振る舞いの微妙な理解の必要性を示しています。これらの懸念に光を当てることで、AIコミュニティは強力な技術の責任ある使用を確保するための保護策やより良い規制の開発に共同で取り組めることを期待しています。

「最初のAIエージェントを開発する：Deep Q-Learning」

2. 全体像 3. 環境初期の基礎 4. エージェントの実装ニューラルアーキテクチャとポリシー 5. 環境への影響仕上げ 6. 経験から学ぶ...

「Spotifyの秘密兵器：AIによる生成プレイリスト」

AIプレイリスト機能の公開この秋、鋭い目を持つユーザーたちはSpotifyのストリーミングアプリで新しい機能を発見しました。AIによるプレイリスト作成がプロンプトを通じて可能になりました。SpotifyはTechCrunchに対してテストを確認しましたが、技術や仕組みに関する詳細は非公開であり、ユーザーを興味津々にさせています。この機能は、ユーザー@robdad_によるTikTokの動画で公に注目されました。彼はそれを「SpotifyのChatGPT」と呼んだものを見つけました。 AIプレイリストの操作方法 Spotifyのアプリの「ライブラリ」タブからアクセスできるAIプレイリスト機能は、シームレスに統合されています。ユーザーは画面の右上にあるプラス（+）ボタンをタップすることでプレイリスト作成プロセスを開始できます。ポップアップメニューが表示され、既存の「プレイリスト」と「ブレンド」の選択肢に加えてAIプレイリストのオプションが提供されます。選択した後、ユーザーはAIチャットボットのようなボックスにプロンプトを入力するか、「仕事で集中するためのインストゥルメンタルエレクトロニカ」や「ウィッチハウスのようなニッチなジャンルを探索」などの提案されたプロンプトのリストから選択する画面が表示されます。 AIプレイリスト生成の背後の舞台 @robdad_が共有したスクリーンショットでは、プロンプトの選択プロセスが示されており、「背景のカフェ音楽で静寂を埋める」や「楽しく前向きな曲で気分を高める」などのオプションが表示されます。AIチャットボットは「リクエストを処理中です…」と応答し、サンプルプレイリストを示します。ユーザーは、含めたくない曲がある場合に左にスワイプしてプレイリストをさらに調整する柔軟性があります。 SpotifyのAI探求は続きますこれはSpotifyがAIによる機能を取り入れる最初の試みではありません。この大きなストリーム配信会社は、今年早くもAIパワーのDJを導入し、曲の推薦や面白い振る舞いで音楽聴取体験を変革しました。製品デザイナーのChris Messinaによる最近のコードの発見は、AIを使ったプレイリスト作成による広範な応用を示唆しており、Spotify Blendにも拡張される可能性があります。ただし、Spotifyは詳細について沈黙を守り、「Spotifyでは、製品の提供を改善し、ユーザーに価値を提供するために常に反復改善、アイデアを考え続けています」と述べています。私たちの見解 SpotifyのAIによるプレイリストの実験は、音楽ストリーミングの領域での技術革新に対する同社の取り組みを反映しています。詳細はまだ不足していますが、AIプロンプトを通じてユーザーがカスタマイズされたプレイリストを作成する可能性は、Spotify体験に刺激的な次元を加えます。SpotifyがAIで限界を超えていくにつれて、この機能がどのように発展し、プラットフォーム全体に統合されていくかが興味深いです。 AIプレイリスト機能のテストが継続されることで、Spotifyユーザーはプレイリスト作成において大きな変革が期待できます。技術が進化するにつれて、お気に入りの音楽とのインタラクション方法も変わっていきますが、SpotifyはこのAI駆動の未来への先導を固く決意しています。

このAI論文では、EdgeSAMを紹介していますエッジデバイス上で高速で効率的な画像セグメンテーションを進めるための機械学習を発展させています

セグメントングエニシングモデル（SAM）は、オブジェクト検出と認識のために画像をセグメント化するAIパワードモデルです。それは、さまざまなコンピュータビジョンの課題に対する効果的な解決策です。しかし、SAMはエッジデバイスに最適化されていないため、性能の低下や高いリソース消費を引き起こすことがあります。シンガポール国立大学S-Labと上海人工知能研究所の研究者は、この問題に対処するためにEdgeSAMを開発しました。この最適化されたSAMのバリアントは、リソース制約のあるエッジデバイス上で高い性能を確保するために設計されています。この研究は、視覚表現学習のための効率的なCNNとトランスフォーマーの設計に焦点を当てています。それは以前の研究で探索された方向で、知識蒸留を含む密な予測タスク（セマンティックセグメンテーションやオブジェクト検出など）における適用を認識しています。関連する研究には、ピクセルごとの特徴蒸留を実装するMobile-SAMや、YOLACTベースのインスタンスセグメンテーションモデルをトレーニングするFast-SAMがあります。特定のドメイン内での効率的なセグメンテーションに焦点を当てた以前の研究や、モバイルプラットフォーム上での端末実装に適したセグメンテーションモデルの探索についての最近の取り組みも強調されています。この研究は、エッジデバイス（スマートフォンなど）でのリアルタイムインタラクティブセグメンテーションのために、計算上要求の厳しいSAMの展開の課題に取り組んでいます。最適化されたSAMバリアントであるEdgeSAMを導入することで、リアルタイムでの動作を実現しながらも精度を維持します。EdgeSAMは、SAMの出力マスクに合わせたプロンプトを利用したプロンプト認識型の知識蒸留アプローチを使用し、マスクデコーダーに特定のプロンプトを導入します。オンデバイスのAIアクセラレータに適した純粋なCNNベースのバックボーンを使用したEdgeSAMは、元のSAMに比べて実時間のエッジ展開で大幅な速度向上を達成します。 EdgeSAMは、性能を犠牲にすることなくエッジデバイス上で効率的に実行されるようにカスタマイズされています。EdgeSAMは、エッジデバイスに適したCNNベースのアーキテクチャに元のViTベースのSAM画像エンコーダを蒸留します。SAMの知識を完全に捉えるために、リサーチではプロンプトエンコーダとマスクデコーダの蒸留を行い、ループ内でボックスとポイントのプロンプトを使用します。データセットのバイアス問題に対応するために、軽量モジュールが追加されています。研究には、プロンプトインザループの知識蒸留と軽量リージョンプロポーザルネットワークの精緻優先度に対する削除研究なども含まれます。 EdgeSAMは、エッジデバイスでの展開時に、元のSAMに比べて40倍の速度向上を実現し、エッジデバイス上でMobile-SAMよりも14倍の性能を発揮します。さまざまなプロンプトの組み合わせやデータセットにわたってMobile-SAMを一貫して上回り、実世界のアプリケーションにおける有効性を示しています。EdgeSAMは、エッジ展開に最適化されており、NVIDIA 2080 Tiでは元のSAMと比較して40倍以上、iPhone 14ではMobileSAMと比較して約14倍の速度向上を実現します。プロンプトインザループの知識蒸留と軽量なリージョンプロポーザルネットワークは、性能を大幅に向上させます。まとめると、この研究のキーハイライトは以下のポイントにまとめられます： EdgeSAMは、SAMの最適化バリアントです。スマートフォンなどのエッジデバイスでリアルタイムに展開されるよう設計されています。元のSAMと比べて、EdgeSAMは40倍速くなります。エッジデバイス上でMobile-SAMよりも14倍の性能を発揮します。 COCOおよびLVISデータセットでmIoUsを大幅に向上させます。 EdgeSAMは、動的なプロンプトインザループ戦略とデータセットバイアスを解決するための軽量モジュールを統合しています。研究では、さまざまなトレーニング設定、プロンプトタイプ、凍結アプローチを探索しています。精緻優先度を活用した軽量リージョンプロポーザルネットワークも導入されています。

「CMUの研究者たちがRoboToolを公開：自然言語の指示を受け取り、シミュレーション環境と実世界のロボットを制御するための実行可能なコードを出力するAIシステム」

カーネギーメロン大学とGoogle DeepMindの研究者が協力して、RoboToolと呼ばれるシステムを開発しました。このシステムは大規模な言語モデル（LLM）を活用して、ロボットに物理的な制約や長期的な計画に関わるタスクで創造的にツールを使用させる能力を与えます。このシステムは以下の4つの主要なコンポーネントで構成されています：自然言語の解釈を行うアナライザー戦略を生成するプランナーパラメータを計算する計算機計画を実行可能なPythonコードに変換するコーダー GPT-4を使用したRoboToolは、従来のタスクとモーションプランニングの方法に比べて、複雑なロボティクスタスクに対する柔軟で効率的かつユーザーフレンドリーなソリューションを提供することを目指しています。この研究は、ロボットがツールを創造的に使用するという課題に取り組んでおり、動物がツールを使用する際の知性に類似したものです。これは、ロボットがツールを単に予定された目的のために使用するだけでなく、柔軟な解決策を提供するために創造的かつ非伝統的な方法でツールを使用することの重要性を強調しています。従来のタスクとモーションプランニング（TAMP）の方法は、暗黙の制約を伴うタスクの処理において見直す必要があり、計算コストも高くなる傾向があります。大規模な言語モデル（LLM）は、ロボティクスタスクに有益な知識をエンコードすることで有望な成果を示しています。この研究は、ツールの選択、順次ツールの使用、および製造など、創造的なツール使用能力を評価するためのベンチマークを導入しています。提案されたRoboToolは、シミュレートおよび実世界の環境で評価され、創造的なツール使用がなければ困難なタスクの処理能力を実証しています。このシステムの成功率は、ベースラインの方法を上回り、暗黙的な制約を伴う複雑な長期的な計画タスクの解決における効果を示しています。評価は、以下の3種類のエラーを計算することで行われました：ツール使用エラーは、正しいツールが使用されているかを示します論理エラーは、ツールの誤った順序での使用や提供された制約の無視などの計画エラーに焦点を当てます数値エラーは、誤った目標位置の計算や間違ったオフセットの追加などの計算エラーを含みますアナライザーを使用しないRoboToolは、大きなツール使用エラーがあり、計算機を使用しないRoboToolは、ロボツールと比べて大きな数値エラーがあります。これは、それぞれの役割がモデルにおいて果たしていることを示しています。まとめると、言語モデルを活用したRoboToolは、暗黙的な物理的な制約を持つ長期的な計画問題を解決する能力を持つ創造的なロボットツールユーザーです。このシステムのキー概念の識別、創造的な計画の生成、パラメータの計算、実行可能なコードの生成は、創造的なツール使用が必要な複雑なロボティクスタスクの処理に貢献しています。

「CMUとマックス・プランク研究所の研究者が、画期的なAI手法「WHAM」を発表：ビデオからの正確かつ効率的な3D人間動作推定」

3Dヒューマンモーション再構築は、三次元で人間の動きを正確にキャプチャしてモデル化する複雑なプロセスです。カメラが動いている実世界の環境でキャプチャされたビデオは、足の滑りなどの問題がしばしば含まれており、この作業はさらに困難になります。しかし、カーネギーメロン大学とマックスプランクインテリジェントシステム研究所の研究者チームは、WHAM（World-grounded Humans with Accurate Motion）という手法を開発し、これらの課題に対応し、正確な3Dヒューマンモーション再構築を実現しました。この研究では、画像から3Dヒューマンポーズと形状を回復するための2つの手法、モデルフリーとモデルベースのアプローチを見直しています。統計的なボディモデルのパラメータを推定するために、モデルベースの手法でディープラーニング技術の使用を強調しています。既存のビデオベースの3D HPS手法では、さまざまなニューラルネットワークアーキテクチャを介して時間的な情報を組み込んでいます。一部の方法では、慣性センサーなどの追加のセンサーを使用していますが、これらは侵入的な場合があります。WHAMは、3Dヒューマンモーションとビデオコンテキストを効果的に組み合わせ、事前知識を活用し、グローバル座標系で正確な3D人間活動の再構築を実現することで注目されています。この研究では、単眼ビデオから3Dヒューマンポーズと形状を精度良く推定する際の課題に取り組み、グローバル座標の一貫性、計算効率、現実的な足-地面接触を強調しています。WHAMは、2Dキーポイントを3Dポーズに変換するためのモーションエンコーダ-デコーダネットワーク、時間的な手がかりのための特徴結合器、および足接触を考慮したグローバルモーション推定のための軌跡リファインメントネットワークを組み合わせて、AMASSモーションキャプチャとビデオデータセットを活用しています。これにより、非平面表面における精度が向上し、足の滑りが最小限に抑えられます。 WHAMはオンライン推論と正確な3Dモーション再構築のために単方向RNNを使用し、コンテキスト抽出のためのモーションエンコーダとSMPLパラメータ、カメラの移動、足-地面接触確率のためのモーションデコーダを備えています。モーションコンテキストの抽出にはバウンディングボックスの正規化手法を活用しています。ヒューマンメッシュリカバリで事前にトレーニングされた画像エンコーダは、フィーチャインテグレータネットワークを介して画像特徴とモーション特徴をキャプチャし統合します。軌跡デコーダはグローバル方向を予測し、リファインメントプロセスは足の滑りを最小化します。 WHAMは、合成AMASSデータでトレーニングされ、評価において既存の手法を凌駕しています。 https://arxiv.org/abs/2312.07531 WHAMは、現在の最先端の手法を凌駕し、フレームごとおよびビデオベースの3Dヒューマンポーズと形状の推定において優れた精度を示しています。WHAMは、モーションコンテキストと足接触情報を活用し、足の滑りを最小限に抑え、国際的な調整を向上させることで、正確なグローバル軌道推定を実現しています。この手法は、2Dキーポイントとピクセルの特徴を統合することで、3Dヒューマンモーション再構築の精度を向上させています。野外のベンチマークによる評価では、MPJPE、PA-MPJPE、PVEなどのメトリクスにおいてWHAMの優れた性能が示されています。まとめると、この研究の主なポイントは以下の通りです： WHAMは、3Dヒューマンモーションとビデオコンテキストを組み合わせる革新的な手法を導入しました。この手法は、3Dヒューマンポーズと形状の回帰を向上させます。グローバル軌道推定フレームワークには、モーションコンテキストと足接触を組み込んでいます。この手法は、足の滑りの課題に取り組んでおり、非平面の表面において正確な3Dトラッキングを保証します。 WHAMのアプローチは、3DPW、RICH、EMDBなどの多様なベンチマークデータセットで優れたパフォーマンスを発揮します。この手法は、グローバル座標で効率的なヒューマンポーズと形状の推定を行います。特徴統合と軌跡リファインメントにより、モーションとグローバル軌道の精度が大幅に向上します。有益な除去研究によって、この手法の精度が検証されています。

Amazon SageMaker Studioで生産性を向上させる：JupyterLab Spacesと生成AIツールを紹介

「Amazon SageMaker Studioは、機械学習(ML)開発における広範なセットの完全に管理された統合開発環境(IDE)を提供していますこれには、JupyterLab、Code-OSS(Visual Studio Codeオープンソース)に基づいたCode Editor、およびRStudioが含まれていますそれは、データの準備から構築・トレーニングまでの各ステップのための最も包括的なツールのアクセスを提供します...」

LangChain表現言語とLLMを使用した検証実装のチェーン’ (LangChainひょうげんげんごとLLMをしようしたけんしょうじっそうのチェーン)

導入人工知能（AI）の分野では、正確性と信頼性を追求する持続的な探求が、ゲームチェンジングな革新をもたらしています。これらの戦略は、生成モデルがさまざまな質問に関連する回答を提供するために、重要な役割を果たしています。さまざまな洗練されたアプリケーションでのGenerative AIの使用に関する最大の障壁の1つは、幻想です。最近Meta AI Researchが発表した「大規模言語モデルにおける幻覚を減らすための検証チェーン」に関する論文で、テキスト生成時の幻想を直接的に減らすための簡単な技術について説明しています。この記事では、幻視の問題について学び、論文で言及されているCoVeの概念、そしてそれをLLM（Large Language Models）、LangChainフレームワーク、およびLangChain Expression Language（LCEL）を使用して実装する方法について探求します。学習目標 LLMでの幻視の問題を理解する。幻視を軽減するためのChain of Verification（CoVe）メカニズムについて学ぶ。 CoVeの利点と欠点について知る。 LangChainを使用してCoVeを実装し、LangChain Expression Languageを理解する。この記事はData Science Blogathonの一環として公開されました。 LLMにおける幻覚の問題とは？まず、LLMにおける幻覚の問題について学んでみましょう。オートリージェレーティブジェネレーションアプローチを使用すると、LLMモデルは前の文脈が与えられた場合の次の単語を予測します。よくあるテーマの場合、モデルは正しいトークンに対して高い確率を自信を持って割り当てるため、十分な例を見ています。しかし、モデルが珍しいまたは不慣れなトピックについてトレーニングされていないため、高い確信を持って正確でないトークンを生成することがあります。これにより、それ自体は正しそうな情報の幻視が生じます。…

「NYUとGoogle AIの研究者が、機械学習の先進的な演繹的推論のフロンティアを探る」

多くの割引ルールの使用とサブプルーフの構築により、証明の複雑さは医療診断や定理の証明などの多くの論理推論の課題において無限に発展することができます。巨大な証明領域のため、すべてのサイズの保証をカバーするためのデータを見つけることは実際的ではありません。したがって、基本的な証明から始めて、一般的な推論モデルはより複雑な証明へと拡張することができるはずです。 NYUとGoogle AIの研究者のチームは、インコンテキストの学習（ICL）と思考連鎖（CoT）のプロンプトを使用してトレーニングされた場合、LLMsが論理的な推論を行うことができることを実証しました。過去の研究では、モーダスポネンスなどの一部の割引ルールが主な焦点でした。評価もデモンストレーション中であり、テストケースはインコンテキストのデモンストレーションと同じ分布から抽出されたものです。 LLMsがデモンストレーションよりも洗練された証明を一般化できる能力は、ニューヨーク大学、Google、ボストン大学の研究者による新しい研究のテーマです。学者は証明を以下の3つの次元で分類します：デモンストレーションの各ステージで使用される前提の数。証明を構成する一連の手順の長さ。使用される割引ルール。証明の総サイズはこれらの3つの次元の関数です。このグループは、LLMsの一般的な論理的推論能力を評価するために、以前の研究を2つの重要な点で拡張しています。モーダスポネンス以外の割引ルールもマスターしているかどうかをテストします。彼らの推論能力は次の2つの方法でテストされます：深度と幅の一般化では、インコンテキストの例よりも長い証明に対する推論が行われます。構成的一般化では、1つの証明で多くの割引ルールを使用します。彼らの研究によると、基本的な例を提示することで、論理的な推論タスクはインコンテキストの学習から最も利益を得ることができます。モデルが適合しすぎないようにするためには、インコンテキストの例に、証明において未知の割引の原則（例：ケースによる証明や反証による証明など）が含まれる必要があります。さらに、これらの例には迷彩要素も含まれている必要があります。研究結果によると、CoTはLLMsにおける組成的証明へのOOB推論を引き起こすことができます。これらのLLMsには、スケールとトレーニング目標が異なるGPT-3.5 175B、PaLM 540B、LLaMA 65B、FLAN-T511Bが含まれています。この発見は驚くべきものであり、LLMsには組成的一般性がないとする文献の豊富さを考えると意外です。ICLは、インコンテキストのサンプルに対する監督学習とは異なる方法で一般化します。テスト例と同じ分布からのインコンテキストの例を与えることは明らかに悪影響です。たとえば、インコンテキストの例に特定の割引ルールが組み込まれている場合、研究者は時折、組成的証拠へのより高度な一般化が見られました。事前学習では、モデルに仮説的なサブプルーフを作成させることはありません。具体的な例がないと、LLMsは特定の割引ルール（例：ケースによる証明や反証による証明など）を一般化することはできません。モデルのサイズとパフォーマンスの関係は弱いです。指導の調整とより長い事前学習により、より小さなモデル（最小ではなく比較可能なもの）がより大きなモデルと競合することができます。 ICLとCoTのトリガリングプロセスをさらに理解するために、研究者は今後の調査において重要な領域に注目しています。彼らは、最良のインコンテキストの例が、テスト例自体とは異なる分布から得られることを発見しました。ベイズ推論と勾配降下はこれを考慮していません。彼らは、テストケースがやや洗練されているにもかかわらず、よりシンプルな例がより良く機能するかどうかを調査することに興味を持っています。具体的なインスタンスからの外挿をさらに特徴づけるためには、追加の研究が必要です。

Learn more about Search Results AI - Page 6