Maison Périphériques technologiques IA ICML 2024 | Le grand modèle de langage facilite les tâches de détection de non-distribution basées sur CLIP

ICML 2024 | Le grand modèle de langage facilite les tâches de détection de non-distribution basées sur CLIP

Jul 01, 2024 pm 11:29 PM
理论

Lorsque les distributions de l'ensemble de données d'entraînement et de l'ensemble de données de test sont les mêmes, les modèles d'apprentissage automatique peuvent afficher des performances supérieures. Cependant, dans un environnement de monde ouvert, les modèles rencontrent souvent des échantillons hors distribution (OOD) qui peuvent rendre le modèle imprévisible et les conséquences des erreurs peuvent être fatales, en particulier dans des scénarios à haut risque tels que la conduite autonome. [1, 2]. Par conséquent, la détection OOD est cruciale pour garantir la fiabilité des modèles d’apprentissage automatique lors d’un déploiement réel.

La plupart des méthodes de détection OOD [1, 3] peuvent détecter efficacement les échantillons OOD sur la base de classificateurs In-Distribution (ID) bien entraînés. Cependant, pour différents ensembles de données d'identification, ils doivent recycler le classificateur pour la détection OOD. De plus, ces méthodes s’appuient uniquement sur des modèles visuels et ignorent le lien entre les images visuelles et les étiquettes textuelles. Avec l'émergence de modèles de langage visuel à grande échelle (modèles Vision-Manguage, VLM, tels que CLIP [4]), la détection OOD à tir nul devient possible [5]. En créant un classificateur de texte avec uniquement des étiquettes de catégorie d'ID, il est possible de détecter des échantillons OOD dans différents ensembles de données d'ID sans recycler le classificateur.

Bien que les méthodes de détection hors distribution existantes basées sur CLIP présentent des performances impressionnantes, elles échouent souvent lorsqu'elles rencontrent des échantillons hors distribution difficiles à détecter. Nous pensons que les méthodes existantes reposent uniquement sur les étiquettes de catégorie d'identification. Les classificateurs de texte limitent largement la capacité inhérente de CLIP à identifier des échantillons à partir de l'espace ouvert. Comme le montre la figure 1 (a), la méthode de construction d'un classificateur de texte qui repose uniquement sur les étiquettes de catégorie d'ID est difficile à distinguer des échantillons OOD difficiles à détecter (ensemble de données ID : CUB-200-2011, ensemble de données OOD : Lieux).

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Figure 1. Diagramme schématique de la motivation de la recherche : (a) créer un classificateur de texte reposant uniquement sur les étiquettes de catégorie d'identification, (b) utiliser de véritables étiquettes OOD, (c) utiliser LLM pour imaginer une exposition potentielle à des valeurs aberrantes

Dans ce travail , nous proposons une méthode de détection hors distribution appelée Envisioning Outlier Exposure (EOE), qui exploite les connaissances spécialisées et les capacités d'inférence des grands modèles de langage (LLM) pour imaginer des expositions aberrantes potentielles, améliorant ainsi les performances de détection des VLM (illustré dans . Figure 1 (c)) sans accéder aux données OOD réelles. Nous concevons (1) des indices LLM basés sur la similarité visuelle pour générer des étiquettes de classe aberrantes potentielles spécifiquement pour la détection OOD, et (2) une nouvelle fonction de notation basée sur des pénalités aberrantes potentielles pour distinguer efficacement les échantillons OOD difficiles à identifier. Les expériences montrent qu'EOE atteint des performances supérieures dans différentes tâches OOD et peut s'adapter efficacement à l'ensemble de données ImageNet-1K.

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

ØLien papier : https://arxiv.org/pdf/2406.00806

ØLien code : https://github.com/tmlr-group/EOE

Ensuite, nous partagerons brièvement avec vous les résultats de la recherche sur le La direction de la détection hors distribution a été récemment publiée lors de l'ICML 2024.

Connaissances préliminaires

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Introduction à la méthode

EOE vise à améliorer les performances de détection OOD sans tir en tirant parti du LLM pour générer des étiquettes de catégorie aberrantes potentielles. Cependant, étant donné que les catégories OOD rencontrées lors du déploiement du modèle sont inconnues, comment devrions-nous guider LLM pour générer les étiquettes de catégorie aberrantes requises ? Après avoir obtenu les étiquettes de classe aberrantes, comment pouvons-nous mieux distinguer les échantillons ID et OOD ? Pour résoudre ces problèmes, nous proposons un indice LLM spécifiquement pour la détection OOD, conçu sur la base du principe de similarité visuelle, et introduisons une nouvelle fonction de notation pour mieux distinguer les échantillons ID/OOD. Le cadre général de notre approche est présenté dans la figure 2.

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Figure 2. Diagramme global du cadre EOE

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

La détection OOD à granularité fine est également appelée identification d'ensemble ouvert. Dans la détection OOD à granularité fine, les échantillons ID et OOD appartiennent à la même catégorie principale (comme par exemple). « oiseau » », et il existe des similitudes visuelles inhérentes entre les sous-classes (par exemple, « moineau » et « hirondelle »). Par conséquent, il est plus approprié de demander au LLM de proposer directement différentes sous-catégories au sein d’une même catégorie principale.

Les trois types d'invites LLM ci-dessus pour la détection OOD sont illustrés dans la figure 3

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Figure 3. Trois types d'invites LLM conçues sur la base du principe de similarité visuelle

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Figure 4. Pseudocode EOE

Les avantages de notre méthode sont résumés comme suit :

EOE ne repose pas sur une connaissance préalable de données OOD inconnues, elle est donc particulièrement adaptée aux scénarios de monde ouvert.

Échantillon zéro : le même modèle pré-entraîné peut être appliqué efficacement à une variété d'ensembles de données d'identification spécifiques à une tâche sans qu'il soit nécessaire d'entraîner chaque ensemble de données d'identification spécifique séparément. EOE atteint des performances de détection OOD supérieures en connaissant uniquement les balises de classe d'identification.

Évolutivité et polyvalence : par rapport aux méthodes de détection OOD à tir nul existantes [6] qui génèrent également des étiquettes de classe OOD latentes, l'EOE peut être facilement appliquée à des ensembles de données à grande échelle tels que ImageNet-1K. De plus, EOE fait preuve de polyvalence dans différentes tâches, notamment la détection OOD lointaine, proche et fine.

Résultats expérimentaux

Nous avons mené des expériences sur plusieurs ensembles de données de différentes tâches OOD. Le tableau 1 montre les résultats expérimentaux de la détection Far OOD sur ImageNet-1K, où Ground Truth représente les performances lors de l'utilisation de véritables étiquettes OOD, qui ne sont pas disponibles dans le déploiement réel. Les résultats montrent que l'EOE est comparable aux méthodes de réglage fin et surpasse le MCM [5].

Tableau 1. Résultats expérimentaux Far OOD

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Nous rapportons également des résultats expérimentaux sur les tâches Near OOD et OOD à grain fin. Comme le montrent les tableaux 2 et 3, nos méthodes obtiennent toutes deux les meilleures performances de détection.

Tableau 2. Résultats expérimentaux proches de l'OOD

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Tableau 3. Résultats expérimentaux OOD à grain fin

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Nous avons mené des expériences d'ablation sur chaque modèle d'EOE, y compris différentes fonctions de notation, conseils LLM : différents Le nombre de LLM et d'étiquettes de classe OOD potentielles de différentes longueurs. Les expériences montrent que la fonction de notation que nous avons conçue et l'invite LLM conçue sur la base du principe de similarité visuelle atteignent des performances optimales, et notre méthode atteint d'excellentes performances sur différents LLM et le nombre d'étiquettes de classe OOD potentielles de différentes longueurs. Dans le même temps, nous avons également mené des expériences d'ablation sur la structure du modèle de langage visuel. Veuillez vous référer à l'article original pour les résultats expérimentaux détaillés.

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Figure 5. Expérience d'ablation – ​​​​différentes fonctions de notation, indices LLM et différents LLM

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Figure 5. Expérience d'ablation – ​​le nombre d'étiquettes de classe OOD potentielles générées

Nous avons analysé l'efficacité de EOE, En fait, il est peu probable que les étiquettes de classe d'anomalie générées aient une forte probabilité d'atteindre la véritable classe OOD. En effet, les données OOD rencontrées lors du déploiement réel du modèle sont diverses et imprévisibles. Cependant, guidés par des règles de similarité visuelle, même si la véritable classe OOD n'est pas atteinte, les étiquettes de classe anormales potentielles générées par EOE peuvent toujours améliorer les performances du modèle en matière de détection OOD.

Pour illustrer l'argument ci-dessus, nous montrons des visualisations dérivées de la sortie softmax des scores de correspondance d'étiquettes via T-SNE. Les résultats de visualisation entre notre EOE et la méthode de comparaison MCM sont présentés dans la figure 6. Sur la base des étiquettes de classe d'identification d'ImageNet-10, LLM génère des étiquettes d'anomalies potentielles « sous-marins » basées sur des règles de similarité visuelle. Lorsque vous rencontrez la « locomotive à vapeur » de classe OOD (une classe dans ImageNet-20), la « locomotive à vapeur » a la plus grande similitude avec le « sous-marin » dans et . Par conséquent, EOE le regroupera comme un « sous-marin » et le détectera ainsi comme une classe OOD. Cependant, s'il n'y a pas d'étiquettes de classe aberrantes potentielles, nous pouvons constater que MCM a tendance à regrouper toutes les étiquettes de classe OOD. Cela peut entraîner l’identification d’échantillons OOD difficiles à identifier en tant que classes ID. En résumé, dans notre cadre EOE, 1) les échantillons OOD appartenant à la même classe ont tendance à être regroupés, 2) les échantillons du même groupe sont classés en classes aberrantes supposées qui leur sont visuellement similaires (« Locomotive à vapeur »). vs « sous-marin »). Ces observations suggèrent que notre EOE peut améliorer la détection OOD sans toucher à la catégorie OOD réelle et est également sémantiquement plus facile à interpréter. Nous espérons que ces travaux pourront fournir une nouvelle idée pour les recherches futures dans le domaine de la détection OOD.

ICML 2024| 大语言模型助力基于CLIP的分布外检测任务

Figure 6. Résultats de visualisation

Références

[1] Hendrycks, D. et Gimpel, K. Une référence pour détecter les exemples mal classés et hors distribution dans les réseaux de neurones. Dans ICLR, 2017.

[2] Yang, J., Zhou, K., Li, Y. et Liu, Z. Détection généralisée hors distribution : une enquête arXiv préprint arXiv :2110.11334, 2021.

[3] Liu. , W., Wang, X., Owens, J. et Li, Y. Détection hors distribution basée sur l'énergie dans NeurIPS, 2020.

[4] Radford, A., Kim, J. W., Hallacy. , C., Ramesh, A., Goh, G., Agarwal, S., Sastry, G., Askell, A., Mishkin, P., Clark, J., et al. . Dans ICML, 2021.

[5] Ming, Y., Cai, Z., Gu, J., Sun, Y., Li, W. et Li, Y. Exploration de la détection hors distribution avec représentations en langage vision. Dans NeurIPS, 2022.

[6] Esmaeilpour, S., Liu, B., Robertson, E. et Shu, L. Détection hors distribution Zeroshot basée sur le clip modèle pré-entraîné. . Dans AAAI, 2022.

Introduction au groupe de recherche

Le Trustworthy Machine Learning and Reasoning Research Group (TMLR Group) de l'Université baptiste de Hong Kong est composé d'un certain nombre de jeunes professeurs, de chercheurs postdoctoraux, de doctorants et de doctorants invités. étudiants et Il est composé d'assistants de recherche et l'équipe de recherche est affiliée au Département d'informatique de l'École des sciences. Le groupe de recherche se spécialise dans l'apprentissage des représentations fiables, l'apprentissage fiable basé sur le raisonnement causal, les modèles de base fiables et d'autres algorithmes connexes, la théorie et la conception de systèmes, ainsi que les applications en sciences naturelles. Les orientations de recherche spécifiques et les résultats associés peuvent être consultés sur le site du groupe. Github (https://github.com/tmlr-group). L'équipe de recherche est financée par des fonds de recherche gouvernementaux et des fonds de recherche industrielle, tels que le Hong Kong Research Grants Council Outstanding Young Scholars Program, les projets généraux et les projets de jeunesse de la National Natural Science Foundation of China, ainsi que des fonds de recherche scientifique de Microsoft, NVIDIA, Baidu, Alibaba, Tencent et d'autres sociétés. Jeunes professeurs et chercheurs seniors travaillent main dans la main, et les ressources informatiques GPU sont suffisantes. Il permet le recrutement à long terme de nombreux chercheurs postdoctoraux, doctorants, assistants de recherche et stagiaires de recherche. De plus, notre groupe accueille également les candidatures de boursiers postdoctoraux invités autofinancés, d'étudiants au doctorat et d'assistants de recherche pour au moins 3 à 6 mois, et l'accès à distance est pris en charge. Étudiants intéressés, veuillez envoyer votre curriculum vitae et votre plan de recherche préliminaire à l'adresse e-mail (bhanml@comp.hkbu.edu.hk).

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

Video Face Swap

Video Face Swap

Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

<🎜>: Grow A Garden - Guide de mutation complet
3 Il y a quelques semaines By DDD
<🎜>: Bubble Gum Simulator Infinity - Comment obtenir et utiliser les clés royales
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Blue Prince: Comment se rendre au sous-sol
1 Il y a quelques mois By DDD
Nordhold: Système de fusion, expliqué
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Tutoriel Java
1664
14
Tutoriel PHP
1269
29
Tutoriel C#
1249
24
Repoussant les limites de la détection de défauts traditionnelle, « Defect Spectrum » permet pour la première fois une détection de défauts industriels d'une ultra haute précision et d'une sémantique riche. Repoussant les limites de la détection de défauts traditionnelle, « Defect Spectrum » permet pour la première fois une détection de défauts industriels d'une ultra haute précision et d'une sémantique riche. Jul 26, 2024 pm 05:38 PM

Dans la fabrication moderne, une détection précise des défauts est non seulement la clé pour garantir la qualité des produits, mais également la clé de l’amélioration de l’efficacité de la production. Cependant, les ensembles de données de détection de défauts existants manquent souvent de précision et de richesse sémantique requises pour les applications pratiques, ce qui rend les modèles incapables d'identifier des catégories ou des emplacements de défauts spécifiques. Afin de résoudre ce problème, une équipe de recherche de premier plan composée de l'Université des sciences et technologies de Hong Kong, Guangzhou et de Simou Technology a développé de manière innovante l'ensemble de données « DefectSpectrum », qui fournit une annotation à grande échelle détaillée et sémantiquement riche des défauts industriels. Comme le montre le tableau 1, par rapport à d'autres ensembles de données industrielles, l'ensemble de données « DefectSpectrum » fournit le plus grand nombre d'annotations de défauts (5 438 échantillons de défauts) et la classification de défauts la plus détaillée (125 catégories de défauts).

Formation avec des millions de données cristallines pour résoudre le problème de la phase cristallographique, la méthode d'apprentissage profond PhAI est publiée dans Science Formation avec des millions de données cristallines pour résoudre le problème de la phase cristallographique, la méthode d'apprentissage profond PhAI est publiée dans Science Aug 08, 2024 pm 09:22 PM

Editeur | KX À ce jour, les détails structurels et la précision déterminés par cristallographie, des métaux simples aux grandes protéines membranaires, sont inégalés par aucune autre méthode. Cependant, le plus grand défi, appelé problème de phase, reste la récupération des informations de phase à partir d'amplitudes déterminées expérimentalement. Des chercheurs de l'Université de Copenhague au Danemark ont ​​développé une méthode d'apprentissage en profondeur appelée PhAI pour résoudre les problèmes de phase cristalline. Un réseau neuronal d'apprentissage en profondeur formé à l'aide de millions de structures cristallines artificielles et de leurs données de diffraction synthétique correspondantes peut générer des cartes précises de densité électronique. L'étude montre que cette méthode de solution structurelle ab initio basée sur l'apprentissage profond peut résoudre le problème de phase avec une résolution de seulement 2 Angströms, ce qui équivaut à seulement 10 à 20 % des données disponibles à la résolution atomique, alors que le calcul ab initio traditionnel

Le modèle de dialogue NVIDIA ChatQA a évolué vers la version 2.0, avec la longueur du contexte mentionnée à 128 Ko Le modèle de dialogue NVIDIA ChatQA a évolué vers la version 2.0, avec la longueur du contexte mentionnée à 128 Ko Jul 26, 2024 am 08:40 AM

La communauté ouverte LLM est une époque où une centaine de fleurs fleurissent et s'affrontent. Vous pouvez voir Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 et bien d'autres. excellents interprètes. Cependant, par rapport aux grands modèles propriétaires représentés par le GPT-4-Turbo, les modèles ouverts présentent encore des lacunes importantes dans de nombreux domaines. En plus des modèles généraux, certains modèles ouverts spécialisés dans des domaines clés ont été développés, tels que DeepSeek-Coder-V2 pour la programmation et les mathématiques, et InternVL pour les tâches de langage visuel.

Google AI a remporté la médaille d'argent de l'Olympiade mathématique de l'OMI, le modèle de raisonnement mathématique AlphaProof a été lancé et l'apprentissage par renforcement est de retour. Google AI a remporté la médaille d'argent de l'Olympiade mathématique de l'OMI, le modèle de raisonnement mathématique AlphaProof a été lancé et l'apprentissage par renforcement est de retour. Jul 26, 2024 pm 02:40 PM

Pour l’IA, l’Olympiade mathématique n’est plus un problème. Jeudi, l'intelligence artificielle de Google DeepMind a réalisé un exploit : utiliser l'IA pour résoudre la vraie question de l'Olympiade mathématique internationale de cette année, l'OMI, et elle n'était qu'à un pas de remporter la médaille d'or. Le concours de l'OMI qui vient de se terminer la semaine dernière comportait six questions portant sur l'algèbre, la combinatoire, la géométrie et la théorie des nombres. Le système d'IA hybride proposé par Google a répondu correctement à quatre questions et a marqué 28 points, atteignant le niveau de la médaille d'argent. Plus tôt ce mois-ci, le professeur titulaire de l'UCLA, Terence Tao, venait de promouvoir l'Olympiade mathématique de l'IA (AIMO Progress Award) avec un prix d'un million de dollars. De manière inattendue, le niveau de résolution de problèmes d'IA s'était amélioré à ce niveau avant juillet. Posez les questions simultanément sur l'OMI. La chose la plus difficile à faire correctement est l'OMI, qui a la plus longue histoire, la plus grande échelle et la plus négative.

PRO | Pourquoi les grands modèles basés sur le MoE méritent-ils davantage d'attention ? PRO | Pourquoi les grands modèles basés sur le MoE méritent-ils davantage d'attention ? Aug 07, 2024 pm 07:08 PM

En 2023, presque tous les domaines de l’IA évoluent à une vitesse sans précédent. Dans le même temps, l’IA repousse constamment les limites technologiques de domaines clés tels que l’intelligence embarquée et la conduite autonome. Sous la tendance multimodale, le statut de Transformer en tant qu'architecture dominante des grands modèles d'IA sera-t-il ébranlé ? Pourquoi l'exploration de grands modèles basés sur l'architecture MoE (Mixture of Experts) est-elle devenue une nouvelle tendance dans l'industrie ? Les modèles de grande vision (LVM) peuvent-ils constituer une nouvelle avancée dans la vision générale ? ...Dans la newsletter des membres PRO 2023 de ce site publiée au cours des six derniers mois, nous avons sélectionné 10 interprétations spéciales qui fournissent une analyse approfondie des tendances technologiques et des changements industriels dans les domaines ci-dessus pour vous aider à atteindre vos objectifs dans le nouveau année. Cette interprétation provient de la Week50 2023

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Le taux de précision atteint 60,8 %. Le modèle de prédiction de rétrosynthèse chimique de l'Université du Zhejiang basé sur Transformer a été publié dans la sous-journal Nature. Le taux de précision atteint 60,8 %. Le modèle de prédiction de rétrosynthèse chimique de l'Université du Zhejiang basé sur Transformer a été publié dans la sous-journal Nature. Aug 06, 2024 pm 07:34 PM

Editeur | KX La rétrosynthèse est une tâche essentielle dans la découverte de médicaments et la synthèse organique, et l'IA est de plus en plus utilisée pour accélérer le processus. Les méthodes d’IA existantes ont des performances insatisfaisantes et une diversité limitée. En pratique, les réactions chimiques provoquent souvent des modifications moléculaires locales, avec un chevauchement considérable entre les réactifs et les produits. Inspirée par cela, l'équipe de Hou Tingjun de l'Université du Zhejiang a proposé de redéfinir la prédiction rétrosynthétique en une seule étape en tant que tâche d'édition de chaînes moléculaires, en affinant de manière itérative la chaîne moléculaire cible pour générer des composés précurseurs. Et un modèle rétrosynthétique basé sur l'édition, EditRetro, est proposé, qui permet d'obtenir des prédictions diverses et de haute qualité. Des expériences approfondies montrent que le modèle atteint d'excellentes performances sur l'ensemble de données de référence standard USPTO-50 K, avec une précision top 1 de 60,8 %.

Le point de vue de la nature : les tests de l'intelligence artificielle en médecine sont dans le chaos. Que faut-il faire ? Le point de vue de la nature : les tests de l'intelligence artificielle en médecine sont dans le chaos. Que faut-il faire ? Aug 22, 2024 pm 04:37 PM

Editeur | ScienceAI Sur la base de données cliniques limitées, des centaines d'algorithmes médicaux ont été approuvés. Les scientifiques se demandent qui devrait tester les outils et comment le faire au mieux. Devin Singh a vu un patient pédiatrique aux urgences subir un arrêt cardiaque alors qu'il attendait un traitement pendant une longue période, ce qui l'a incité à explorer l'application de l'IA pour réduire les temps d'attente. À l’aide des données de triage des salles d’urgence de SickKids, Singh et ses collègues ont construit une série de modèles d’IA pour fournir des diagnostics potentiels et recommander des tests. Une étude a montré que ces modèles peuvent accélérer les visites chez le médecin de 22,3 %, accélérant ainsi le traitement des résultats de près de 3 heures par patient nécessitant un examen médical. Cependant, le succès des algorithmes d’intelligence artificielle dans la recherche ne fait que le vérifier.

See all articles