【12/6ビッグモデルデイリーコレクション】情報リサーチ 微調整は不要？ サンプル 3 つ、LLM 調整を完了するための 1 つのヒント、エンジニアのプロンプト: 彼らはすべて戻ってきました業界 Microsoft Copilot の進化が完了、コード インタプリタ、DALL·E 3、ChatGPT、すべてが揃っています

微調整は必要ないのでしょうか？ 3 つのサンプルと 1 つのチップで LLM アライメントを完了し、エンジニアに「全員戻ってきました」と促す

https://news.miracleplus.com/share_link/12510

大型モデルの効果が良いかどうかに関係なく、アライメント調整が重要な場合があります。 アレン人工知能研究所とワシントン大学の研究者らは、教師ありチューニング (SFT) の使用を超えて、新しい「チューニング不要の」位置合わせ手法を使用しました。ヒューマンフィードバック強化学習 (RLHF)、LLM パフォーマンス。

NeurIPS 2023 | 人間を模倣して推論を行う、データセット増幅の新しいパラダイム、GIF フレームワークが登場

https://news.miracleplus.com/share_link/12511

この NeurIPS 2023 論文では、シンガポール国立大学とバイトダンスの学者らが、人間の連想学習に触発されて、データセット拡張の新しいパラダイムを提案し、これにより、小規模データのシナリオにおける深層モデルのパフォーマンスとパフォーマンスが効果的に向上しました。データの手動収集とラベル付けにかかる時間とコスト。 コードはオープンソース化されています。

すべてをセグメント化する「3D ガウス」バージョンはこちらです: 3D セグメント化は数ミリ秒で完了し、1,000 倍高速化されます

https://news.miracleplus.com/share_link/12512

今年 4 月、Meta は「Separate Everything (SAM)」AI モデルをリリースし、この成果は多くの CV 研究者の記憶に残る年次論文となっただけでなく、ICCV 2023 で最優秀論文にノミネートされました。 「Segment Everything」は、2D セグメンテーションの「両方」と「できる」を実現し、インタラクティブなセグメンテーションと自動セグメンテーションを簡単に実行でき、あらゆる新しいタスクやフィールドに汎用化できます。 現在、このアイデアは 3D セグメンテーションの分野にも拡張されています。

飛び回ったり、口を開けたり、見つめたり、眉毛を上げたりする顔の特徴をAIが完璧に模倣できるため、ビデオ詐欺を防ぐことは不可能

https://news.miracleplus.com/share_link/12513

ミュンヘン工科大学などの機関から、表情、姿勢、視点の点で完全に制御可能なリアルな頭部アバターの作成に使用できる手法である GaussianAvatars が提案されました。 この研究によると、コンピュータ ビジョンとグラフィックスでは、可動人間の仮想頭部の作成には常に課題があり、特に極端な顔の表情や、しわ、髪の毛などの細部を捉えるのが難しく、生成された仮想キャラクターは視覚的なアーティファクトが簡単に発生する可能性があります。

メタ オープン ソース最大のマルチモーダル ビデオ データ セット – Ego-Exo4D

https://news.miracleplus.com/share_link/12514

ソーシャルおよびテクノロジーの巨人である Meta は、15 の大学の研究機関と提携し、2 年以上の努力を経て、大規模な AI モデルのトレーニングと研究のための最初のマルチモーダル ビデオ トレーニング データ セットと基本スイート Ego-Exo4D をリリースしました。 このデータセットは、13 都市の 839 人の参加者から、ダンス、フットボール、バスケットボール、ロック クライミング、音楽、料理、自転車を含む 8 つのカテゴリーにおける 131 の複雑なシーン アクションを含む、総再生時間 1,400 時間以上のビデオを収集したと報告されています。メンテナンス。 これにより、AI モデルは人間の行動をより深く理解できるようになり、より強力なマルチモーダル大規模モデルの開発に役立ちます。

潜在的な新薬の性能の直接比較を可能にする、デューク大学チームが新薬 AI モデルを開発

https://news.miracleplus.com/share_link/12515

現在の分子機械学習モデルは、多くの場合、個々の分子を入力として受け取り、その生物学的、化学的、または物理的特性を予測します。 しかし、そのようなアルゴリズムは大規模なデータセットを必要とし、分子間の特性の違いを予測するために最適化されていないため、より小さなデータセットから学習して 2 つの分子の予想される特性を直接比較する能力が制限されています。 デューク大学の研究者は、2 つの分子を同時に処理し、小さなデータセットから 2 つの分子間の特性の違いを予測する方法を学習できるペアワイズディープラーニング手法である DeepDelta を開発しました。 10 個の ADMET ベンチマーク タスクにおいて、DeepDelta 手法は、確立された 2 つの分子機械学習アルゴリズム、つまり指向性メッセージ パッシング ニューラル ネットワーク (D-MPNN) ChemProp と放射状フィンガープリントを使用するランダム フォレストを大幅に上回り、DeepDelta は分子特性の予測において優れていました。既存の方法とは大きな違いがあり、足場ホッピングも実行できます。 DeepDelta は、分子のペアとその特性の違いを直接トレーニングすることにより、分子特性の違いを予測する正確な方法を提供し、創薬および化学科学の分子最適化における忠実性と透明性をさらにサポートします。