Inhaltsverzeichnis
Methoden: Herausforderungen und Leitstandards für die Datensatzverstärkung (2) Wie kann sichergestellt werden, dass die generierten Proben neue Informationen enthalten, um das Modelltraining zu fördern? Um diese beiden Herausforderungen anzugehen, wurden in dieser Arbeit durch umfangreiche Experimente zwei Amplifikationsleitkriterien ermittelt: (1) kategoriekonsistente Informationsverbesserung; (2) Verbesserung der Probenvielfalt.
GIF hat eine stärkere Amplifikationsvalidität: GIF-SD verbessert die Klassifizierungsgenauigkeit um durchschnittlich 36,9 % bei 6 natürlichen Datensätzen und bei 3 medizinischen Datensätzen. Die durchschnittliche Klassifizierungsgenauigkeit des Datensatzes wird um 13,5 % verbessert.
Heim Technologie-Peripheriegeräte KI Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Dec 14, 2023 pm 09:49 PM
模型 训练

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden


  • Papierlink: https://browse.arxiv.org/pdf/2211.13976.pdf
  • GitHub: https://github.com/Vanint/DatasetExpansion

Als Wir alle wissen, dass die Leistung tiefer neuronaler Netze weitgehend von der Menge und Qualität der Trainingsdaten abhängt, was es schwierig macht, Deep Learning umfassend auf kleine Datenmengen anzuwenden. Beispielsweise ist in kleinen Datenanwendungsszenarien in der Medizin und anderen Bereichen das manuelle Sammeln und Kennzeichnen großer Datensätze oft zeitaufwändig und mühsam. Um dieses Problem der Datenknappheit anzugehen und die Datenerfassungskosten zu minimieren, untersucht dieser Artikel ein neues Paradigma der Datensatzerweiterung, das darauf abzielt, automatisch neue Daten zu generieren, um den kleinen Datensatz der Zielaufgabe zu einem größeren und informativeren Big Data zu erweitern Sätze. Diese erweiterten Datensätze dienen der Verbesserung der Leistung und der Generalisierungsfähigkeiten des Modells und können zum Trainieren verschiedener Netzwerkstrukturen verwendet werden. Diese Arbeit ergab, dass die alleinige Verwendung vorhandener Methoden den Datensatz nicht gut erweitern kann. (1) Die zufällige Datenverbesserung ändert hauptsächlich die visuellen Oberflächeneigenschaften des Bildes, kann jedoch keine Bilder mit neuem Objektinhalt erstellen (der Lotus im Bild unten ist immer noch derselbe, es wird kein neuer Lotus generiert), daher ist die Menge der eingeführten Informationen gleich begrenzt. Was noch schwerwiegender ist, ist, dass die zufällige Datenverbesserung die Läsionsposition (Änderung) des medizinischen Bildes beschneiden kann, was zu einer Reduzierung wichtiger Informationen der Probe und sogar zur Erzeugung verrauschter Daten führt. (2) Die direkte Verwendung vorab trainierter generativer (Diffusions-)Modelle zur Datensatzverstärkung kann die Leistung des Modells bei der Zielaufgabe nicht wirklich verbessern. Dies liegt daran, dass die Vortrainingsdaten dieser generativen Modelle häufig große Verteilungsunterschiede zu den Zieldaten aufweisen, was zu einer gewissen Verteilungs- und Kategorielücke zwischen den von ihnen generierten Daten und der Zielaufgabe führt und es unmöglich ist, sicherzustellen, dass die generierten Daten vorhanden sind Beispiele haben die richtige Kategorie und sind für das Modelltraining nützlich.

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Um die Erweiterung von Datensätzen effizienter durchzuführen, haben Forscher das assoziative Lernen des Menschen untersucht. Wenn Menschen Vorkenntnisse über ein Objekt haben, können sie sich leicht verschiedene Variationen des Objekts vorstellen, wie zum Beispiel Variationen des Hundes in verschiedenen Typen, Farben, Formen oder Hintergründen im Bild unten. Dieser Prozess des fantasievollen Lernens ist für die Erweiterung von Datensätzen sehr aufschlussreich, da er über die bloße Störung des Erscheinungsbilds der Tiere im Bild hinausgeht, sondern umfangreiches Vorwissen anwendet, um Variantenbilder mit neuen Informationen zu erstellen. Das können wir jedoch nicht Modellieren Sie den Menschen direkt als Vormodell für die Datenvorstellung. Glücklicherweise haben neuere generative Modelle (wie Stable Diffusion, DALL-E2) eine leistungsstarke Fähigkeit bewiesen, sich an die Verteilung großer Datensätze anzupassen und reichhaltige und realistische Bilder zu erzeugen. Dies inspirierte diesen Artikel dazu, vorab trainierte generative Modelle als Vormodelle zu verwenden und deren fundiertes Vorwissen zu nutzen, um eine effiziente Datenassoziation und -verstärkung bei kleinen Datensätzen durchzuführen.

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Basierend auf den oben genannten Ideen schlägt diese Arbeit ein neues Guided Imagination Framework (GIF) vor. Diese Methode kann die Klassifizierungsleistung und die Generalisierungsfähigkeit tiefer neuronaler Netze bei natürlichen und medizinischen Bildaufgaben effektiv verbessern und die enormen Kosten, die durch manuelle Datenerfassung und -annotation verursacht werden, erheblich reduzieren. Gleichzeitig trägt der erweiterte Datensatz auch dazu bei, das Transferlernen des Modells zu fördern und das Long-Tail-Problem zu lindern.

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Als nächstes werfen wir einen Blick darauf, wie dieses neue Paradigma der Datensatzverstärkung gestaltet ist.

Methoden: Herausforderungen und Leitstandards für die Datensatzverstärkung (2) Wie kann sichergestellt werden, dass die generierten Proben neue Informationen enthalten, um das Modelltraining zu fördern? Um diese beiden Herausforderungen anzugehen, wurden in dieser Arbeit durch umfangreiche Experimente zwei Amplifikationsleitkriterien ermittelt: (1) kategoriekonsistente Informationsverbesserung; (2) Verbesserung der Probenvielfalt.

Method Framework

Basierend auf den entdeckten Verstärkungsleitstandards schlägt diese Arbeit das Guided Imagination Augmentation Framework (GIF) vor. Für jedes Eingabe-Seed-Beispiel x extrahiert GIF zunächst das Beispielmerkmal f mithilfe des Merkmalsextraktors des vorherigen generativen Modells und führt eine Rauschstörung für das Merkmal durch: Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

. Der einfachste Weg, das Rauschen (z, b) festzulegen, besteht darin, Gaußsches Zufallsrauschen zu verwenden, aber es kann nicht sicherstellen, dass die generierten Stichproben die richtige Klassenbezeichnung haben und mehr Informationen liefern. Daher optimiert GIF für eine effiziente Datensatzverstärkung die Rauschstörung basierend auf seiner entdeckten Verstärkungsrichtlinie, d. h. . Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstandenEinführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Die verwendeten Verstärkungsrichtlinien werden wie folgt umgesetzt. Klassenkonsistenter Informationsmengenindex:

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

; Stichprobendiversitätsindex:


. Durch die Maximierung dieser beiden Indikatoren kann GIF die Rauschstörung effektiv optimieren und so Stichproben erzeugen, die die Kategoriekonsistenz wahren und einen größeren Informationsgehalt bieten. Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstandenExperimenteEinführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstandenEinführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstandenAmplifikationsvalidität

GIF hat eine stärkere Amplifikationsvalidität: GIF-SD verbessert die Klassifizierungsgenauigkeit um durchschnittlich 36,9 % bei 6 natürlichen Datensätzen und bei 3 medizinischen Datensätzen. Die durchschnittliche Klassifizierungsgenauigkeit des Datensatzes wird um 13,5 % verbessert.

Verstärkungseffizienz

GIF hat eine stärkere Verstärkungseffizienz: Bei Autos und DTD-Datensätzen übersteigt der Effekt der Verwendung von GIF-SD für die 5-fache Verstärkung sogar den der Verwendung einer zufälligen Datenerweiterung. Der Effekt von 20 -fache Verstärkung. Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Visualisierungsergebnisse

Bestehende Methoden zur Datenerweiterung können keine neuen Bildinhalte generieren, während GIF besser Beispiele mit neuen Inhalten generieren kann. Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Bestehende Verbesserungsmethoden können die Position von Läsionen in medizinischen Bildern reduzieren, was zu weniger Probeninformationen und der Erzeugung von Rauschen führt, während GIFs ihre Kategoriesemantik besser beibehalten können

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Rechen- und Zeitaufwand

Im Vergleich zur manuellen Datenerfassung und -annotation kann GIF den Zeit- und Kostenaufwand für die Datensatzverstärkung erheblich reduzieren. Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Vielseitigkeit verstärkter DatenSobald diese Datensätze verstärkt sind, können sie direkt zum Trainieren verschiedener neuronaler Netzwerkmodellstrukturen verwendet werden.

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Verbesserung der Fähigkeit zur Modellgeneralisierung GIF trägt dazu bei, die Leistung des Modells bei der Generalisierung außerhalb der Verteilung (OOD-Generalisierung) zu verbessern.

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Lernen Sie das Long-Tail-Problem GIF hilft, das Long-Tail-Problem zu lindern.

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Sicherheitscheck GIF-generierte Bilder sind sicher und harmlos.

Einführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden

Basierend auf den oben genannten experimentellen Ergebnissen haben wir Grund zu der Annahme, dass die in diesem Artikel entwickelte Methode durch die Simulation menschlicher Analogien und des Imaginationslernens kleine Datensätze effektiv erweitern und dadurch die Leistung tiefer neuronaler Netze verbessern kann Implementierung und Anwendung von Small-Data-Aufgabenszenarien.

Das obige ist der detaillierte Inhalt vonEinführung eines neuen GIF-Frameworks: Nach dem Vorbild des Menschen ist ein neues Paradigma für die Datensatzverstärkung entstanden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Open Source! Jenseits von ZoeDepth! DepthFM: Schnelle und genaue monokulare Tiefenschätzung! Open Source! Jenseits von ZoeDepth! DepthFM: Schnelle und genaue monokulare Tiefenschätzung! Apr 03, 2024 pm 12:04 PM

0.Was bewirkt dieser Artikel? Wir schlagen DepthFM vor: ein vielseitiges und schnelles generatives monokulares Tiefenschätzungsmodell auf dem neuesten Stand der Technik. Zusätzlich zu herkömmlichen Tiefenschätzungsaufgaben demonstriert DepthFM auch hochmoderne Fähigkeiten bei nachgelagerten Aufgaben wie dem Tiefen-Inpainting. DepthFM ist effizient und kann Tiefenkarten innerhalb weniger Inferenzschritte synthetisieren. Lassen Sie uns diese Arbeit gemeinsam lesen ~ 1. Titel der Papierinformationen: DepthFM: FastMonocularDepthEstimationwithFlowMatching Autor: MingGui, JohannesS.Fischer, UlrichPrestel, PingchuanMa, Dmytr

Das weltweit leistungsstärkste Open-Source-MoE-Modell ist da, mit chinesischen Fähigkeiten, die mit GPT-4 vergleichbar sind, und der Preis beträgt nur fast ein Prozent von GPT-4-Turbo Das weltweit leistungsstärkste Open-Source-MoE-Modell ist da, mit chinesischen Fähigkeiten, die mit GPT-4 vergleichbar sind, und der Preis beträgt nur fast ein Prozent von GPT-4-Turbo May 07, 2024 pm 04:13 PM

Stellen Sie sich ein Modell der künstlichen Intelligenz vor, das nicht nur die Fähigkeit besitzt, die traditionelle Datenverarbeitung zu übertreffen, sondern auch eine effizientere Leistung zu geringeren Kosten erzielt. Dies ist keine Science-Fiction, DeepSeek-V2[1], das weltweit leistungsstärkste Open-Source-MoE-Modell, ist da. DeepSeek-V2 ist ein leistungsstarkes MoE-Sprachmodell (Mix of Experts) mit den Merkmalen eines wirtschaftlichen Trainings und einer effizienten Inferenz. Es besteht aus 236B Parametern, von denen 21B zur Aktivierung jedes Markers verwendet werden. Im Vergleich zu DeepSeek67B bietet DeepSeek-V2 eine stärkere Leistung, spart gleichzeitig 42,5 % der Trainingskosten, reduziert den KV-Cache um 93,3 % und erhöht den maximalen Generierungsdurchsatz auf das 5,76-fache. DeepSeek ist ein Unternehmen, das sich mit allgemeiner künstlicher Intelligenz beschäftigt

KAN, das MLP ersetzt, wurde durch Open-Source-Projekte auf Faltung erweitert KAN, das MLP ersetzt, wurde durch Open-Source-Projekte auf Faltung erweitert Jun 01, 2024 pm 10:03 PM

Anfang dieses Monats schlugen Forscher des MIT und anderer Institutionen eine vielversprechende Alternative zu MLP vor – KAN. KAN übertrifft MLP in Bezug auf Genauigkeit und Interpretierbarkeit. Und es kann MLP, das mit einer größeren Anzahl von Parametern ausgeführt wird, mit einer sehr kleinen Anzahl von Parametern übertreffen. Beispielsweise gaben die Autoren an, dass sie KAN nutzten, um die Ergebnisse von DeepMind mit einem kleineren Netzwerk und einem höheren Automatisierungsgrad zu reproduzieren. Konkret verfügt DeepMinds MLP über etwa 300.000 Parameter, während KAN nur etwa 200 Parameter hat. KAN hat eine starke mathematische Grundlage wie MLP und basiert auf dem universellen Approximationssatz, während KAN auf dem Kolmogorov-Arnold-Darstellungssatz basiert. Wie in der folgenden Abbildung gezeigt, hat KAN

Hallo, elektrischer Atlas! Der Boston Dynamics-Roboter erwacht wieder zum Leben, seltsame 180-Grad-Bewegungen machen Musk Angst Hallo, elektrischer Atlas! Der Boston Dynamics-Roboter erwacht wieder zum Leben, seltsame 180-Grad-Bewegungen machen Musk Angst Apr 18, 2024 pm 07:58 PM

Boston Dynamics Atlas tritt offiziell in die Ära der Elektroroboter ein! Gestern hat sich der hydraulische Atlas einfach „unter Tränen“ von der Bühne der Geschichte zurückgezogen. Heute gab Boston Dynamics bekannt, dass der elektrische Atlas im Einsatz ist. Es scheint, dass Boston Dynamics im Bereich kommerzieller humanoider Roboter entschlossen ist, mit Tesla zu konkurrieren. Nach der Veröffentlichung des neuen Videos wurde es innerhalb von nur zehn Stunden bereits von mehr als einer Million Menschen angesehen. Die alten Leute gehen und neue Rollen entstehen. Das ist eine historische Notwendigkeit. Es besteht kein Zweifel, dass dieses Jahr das explosive Jahr der humanoiden Roboter ist. Netizens kommentierten: Die Weiterentwicklung der Roboter hat dazu geführt, dass die diesjährige Eröffnungsfeier wie Menschen aussieht, und der Freiheitsgrad ist weitaus größer als der von Menschen. Aber ist das wirklich kein Horrorfilm? Zu Beginn des Videos liegt Atlas ruhig auf dem Boden, scheinbar auf dem Rücken. Was folgt, ist atemberaubend

KI untergräbt die mathematische Forschung! Der Gewinner der Fields-Medaille und der chinesisch-amerikanische Mathematiker führten 11 hochrangige Arbeiten an | Gefällt mir bei Terence Tao KI untergräbt die mathematische Forschung! Der Gewinner der Fields-Medaille und der chinesisch-amerikanische Mathematiker führten 11 hochrangige Arbeiten an | Gefällt mir bei Terence Tao Apr 09, 2024 am 11:52 AM

KI verändert tatsächlich die Mathematik. Vor kurzem hat Tao Zhexuan, der diesem Thema große Aufmerksamkeit gewidmet hat, die neueste Ausgabe des „Bulletin of the American Mathematical Society“ (Bulletin der American Mathematical Society) weitergeleitet. Zum Thema „Werden Maschinen die Mathematik verändern?“ äußerten viele Mathematiker ihre Meinung. Der gesamte Prozess war voller Funken, knallhart und aufregend. Der Autor verfügt über eine starke Besetzung, darunter der Fields-Medaillengewinner Akshay Venkatesh, der chinesische Mathematiker Zheng Lejun, der NYU-Informatiker Ernest Davis und viele andere bekannte Wissenschaftler der Branche. Die Welt der KI hat sich dramatisch verändert. Viele dieser Artikel wurden vor einem Jahr eingereicht.

Die Vitalität der Superintelligenz erwacht! Aber mit der Einführung der sich selbst aktualisierenden KI müssen sich Mütter keine Sorgen mehr über Datenengpässe machen Die Vitalität der Superintelligenz erwacht! Aber mit der Einführung der sich selbst aktualisierenden KI müssen sich Mütter keine Sorgen mehr über Datenengpässe machen Apr 29, 2024 pm 06:55 PM

Ich weine zu Tode. Die Daten im Internet reichen überhaupt nicht aus. Das Trainingsmodell sieht aus wie „Die Tribute von Panem“, und KI-Forscher auf der ganzen Welt machen sich Gedanken darüber, wie sie diese datenhungrigen Esser ernähren sollen. Dieses Problem tritt insbesondere bei multimodalen Aufgaben auf. Zu einer Zeit, als sie ratlos waren, nutzte ein Start-up-Team der Abteilung der Renmin-Universität von China sein eigenes neues Modell, um als erstes in China einen „modellgenerierten Datenfeed selbst“ in die Realität umzusetzen. Darüber hinaus handelt es sich um einen zweigleisigen Ansatz auf der Verständnisseite und der Generierungsseite. Beide Seiten können hochwertige, multimodale neue Daten generieren und Datenrückmeldungen an das Modell selbst liefern. Was ist ein Modell? Awaker 1.0, ein großes multimodales Modell, das gerade im Zhongguancun-Forum erschienen ist. Wer ist das Team? Sophon-Motor. Gegründet von Gao Yizhao, einem Doktoranden an der Hillhouse School of Artificial Intelligence der Renmin University.

Die Kuaishou-Version von Sora „Ke Ling' steht zum Testen offen: Sie generiert über 120 Sekunden Videos, versteht die Physik besser und kann komplexe Bewegungen genau modellieren Die Kuaishou-Version von Sora „Ke Ling' steht zum Testen offen: Sie generiert über 120 Sekunden Videos, versteht die Physik besser und kann komplexe Bewegungen genau modellieren Jun 11, 2024 am 09:51 AM

Was? Wird Zootopia durch heimische KI in die Realität umgesetzt? Zusammen mit dem Video wird ein neues groß angelegtes inländisches Videogenerationsmodell namens „Keling“ vorgestellt. Sora geht einen ähnlichen technischen Weg und kombiniert eine Reihe selbst entwickelter technologischer Innovationen, um Videos zu produzieren, die nicht nur große und vernünftige Bewegungen aufweisen, sondern auch die Eigenschaften der physischen Welt simulieren und über starke konzeptionelle Kombinationsfähigkeiten und Vorstellungskraft verfügen. Den Daten zufolge unterstützt Keling die Erstellung ultralanger Videos von bis zu 2 Minuten mit 30 Bildern pro Sekunde, mit Auflösungen von bis zu 1080p und unterstützt mehrere Seitenverhältnisse. Ein weiterer wichtiger Punkt ist, dass es sich bei Keling nicht um eine vom Labor veröffentlichte Demo oder Video-Ergebnisdemonstration handelt, sondern um eine Anwendung auf Produktebene, die von Kuaishou, einem führenden Anbieter im Bereich Kurzvideos, gestartet wurde. Darüber hinaus liegt das Hauptaugenmerk darauf, pragmatisch zu sein, keine Blankoschecks auszustellen und sofort nach der Veröffentlichung online zu gehen. Das große Modell von Ke Ling wurde bereits in Kuaiying veröffentlicht.

Die U.S. Air Force präsentiert ihren ersten KI-Kampfjet mit großem Aufsehen! Der Minister führte die Testfahrt persönlich durch, ohne in den gesamten Prozess einzugreifen, und 100.000 Codezeilen wurden 21 Mal getestet. Die U.S. Air Force präsentiert ihren ersten KI-Kampfjet mit großem Aufsehen! Der Minister führte die Testfahrt persönlich durch, ohne in den gesamten Prozess einzugreifen, und 100.000 Codezeilen wurden 21 Mal getestet. May 07, 2024 pm 05:00 PM

Kürzlich wurde die Militärwelt von der Nachricht überwältigt: US-Militärkampfflugzeuge können jetzt mithilfe von KI vollautomatische Luftkämpfe absolvieren. Ja, erst kürzlich wurde der KI-Kampfjet des US-Militärs zum ersten Mal der Öffentlichkeit zugänglich gemacht und sein Geheimnis gelüftet. Der vollständige Name dieses Jägers lautet „Variable Stability Simulator Test Aircraft“ (VISTA). Er wurde vom Minister der US-Luftwaffe persönlich geflogen, um einen Eins-gegen-eins-Luftkampf zu simulieren. Am 2. Mai startete US-Luftwaffenminister Frank Kendall mit einer X-62AVISTA auf der Edwards Air Force Base. Beachten Sie, dass während des einstündigen Fluges alle Flugaktionen autonom von der KI durchgeführt wurden! Kendall sagte: „In den letzten Jahrzehnten haben wir über das unbegrenzte Potenzial des autonomen Luft-Luft-Kampfes nachgedacht, aber es schien immer unerreichbar.“ Nun jedoch,

See all articles