Formation NVIDIA 64 A100 StyleGAN-T ; examen de neuf types de modèles d'IA génératifs

目录：

1. Apprentissage automatique quantique au-delà des méthodes du noyau
2. Calcul de réservoir portable dans un capteur utilisant des polymères optoélectroniques avec des caractéristiques de transport de charge dans l'espace pour un apprentissage multitâche
3. Dash : Semi -Apprentissage supervisé avec seuil dynamique
4. StyleGAN-T : libérer la puissance des GAN pour une synthèse texte-image rapide à grande échelle
5. Classification multi-étiquettes à vocabulaire ouvert via un transfert de connaissances multimodal
6. ChatGPT n'est pas tout ce dont vous avez besoin. Une revue de pointe des grands modèles d'IA générative
论文 1：Apprentissage automatique quantique au-delà des méthodes du noyau
8. 作者：Sofiene Jerbi 等

论文地址：https://www.nature.com/articles/s4146 7-023-36159- y

• 摘要：本文中，
• 来自奥地利因斯布鲁克大学的研究团队确定了一个建设性框架，该框架捕获所有基于参数化量子电路的标准模型：线性量子模型 .根据量子比特数和需要学习的基于经典机器学习的最新结果，证明线性量子模型必须使用比数据重新上传模型多得多的量子比特才能解决某些学习任务，而核方法还需要多以及对不同模型与 NISQ 约束的兼容性的见解。

..机器学习，量子学习模型的统一框架。

论文 2 : Portable dans le capteur calcul de réservoir utilisant des polymères optoélectroniques dotés de caractéristiques de transport de charge dans l'espace pour un apprentissage multitâche /s41467-023-36205-9

摘要：

传感器内多任务学习不仅是生物视觉的关键优点，也是人工智能的主要目标。然而，传统的硅视觉芯片存在大量时间以及能量开销。此外，训练传统的深度学习模型在边缘设备上既不可扩展也不可负担。

本文中,学习范例，并且低开销

。基于具有有效激子解离和贯穿空间电荷传输特性的瓶刷形半导体 p -NDI,不同任务上表现出优异的可分离性、衰减记忆和回波状态特性。

与忆阻有机二极管上的「读出功能」相结合，RC 可识别手写字母和数字，并对各种服装进行分类，准确率分别为 98,04%、88,18% et 91,76%（高于所有已报告的有机半导体）。

Comparaison de la réponse photocourant des semi-conducteurs conventionnels et du p-NDI, et principes détaillés de conception des semi-conducteurs du système RC au sein du capteur.

Recommandé : Faible consommation d'énergie et faible consommation de temps, l'équipe de l'Académie chinoise des sciences et de l'Université de Hong Kong a utilisé une nouvelle méthode pour effectuer un apprentissage multitâche pour les calculs dans le réservoir dans les capteurs portables.

Article 3 : Dash : Apprentissage semi-supervisé avec seuil dynamique

• Auteur : Yi Xu et al
• Adresse de l'article : https://proceedings.mlr.press/v139 / xu21e/xu21e.pdf

Résumé : Cet article propose de manière innovante une méthode d'utilisation d'un seuil dynamique pour filtrer des échantillons non étiquetés pour l'apprentissage semi-supervisé (SSL). amélioré la stratégie de sélection des échantillons non étiquetés pendant le processus de formation et sélectionné des échantillons non étiquetés plus efficaces pour la formation grâce à des seuils changeants de manière dynamique. Dash est une stratégie générale qui peut être facilement intégrée aux méthodes d'apprentissage semi-supervisées existantes.

En termes d'expérimentations, nous avons pleinement vérifié son efficacité sur des ensembles de données standards tels que CIFAR-10, CIFAR-100, STL-10 et SVHN. En théorie, l'article prouve les propriétés de convergence de l'algorithme Dash du point de vue de l'optimisation non convexe.

Fixmatch Fradren Framework

Recommandée: Dharma Academy Open Source Semi-SuperVisse Learning Framework Dash, rafraîchissez de nombreux sotas.

Article 4 : StyleGAN-T : Libérer la puissance des GAN pour une synthèse texte-image rapide à grande échelle

• Auteur : Axel Sauer et al
• Adresse de l'article : https ://arxiv.org/pdf/2301.09515.pdf

Résumé : Le modèle de diffusion est-il le meilleur en matière de génération de texte en image ? Pas nécessairement, Le nouveau StyleGAN-T lancé par NVIDIA et d'autres montre que GAN est toujours compétitif. StyleGAN-T génère des images de résolution 512×512 en seulement 0,1 seconde :

Recommandation : GAN est de retour ? NVIDIA a dépensé 64 A100 pour former StyleGAN-T, qui a surpassé le modèle de diffusion.

Papier 5 : Classification multi-étiquettes à vocabulaire ouvert via le transfert de connaissances multimodal

• Auteur : Sunan He et al
• Adresse du papier : https://arxiv.org / abs/2207.01887

Résumé : Dans les systèmes de classification multi-étiquettes, nous rencontrons souvent un grand nombre d'étiquettes qui ne sont pas apparues dans l'ensemble de formation. Comment identifier avec précision ces étiquettes est une étape très importante et extrêmement. problème difficile.

À cette fin, Tencent Youtu Lab, en collaboration avec l'Université Tsinghua et l'Université de Shenzhen, a proposé un cadre MKT basé sur le transfert de connaissances multimodal, utilisant les puissantes capacités de correspondance image-texte du pré-image-texte. -modèle de formation, préserver les informations clés sur la cohérence visuelle dans la classification des images et mettre en œuvre la classification du vocabulaire ouvert des scènes multi-étiquettes. Ce travail a été sélectionné pour l'AAAI 2023 Oral.

Comparaison des méthodes ML-ZSL et MKT.

Recommandé : AAAI 2023 Oral | Comment identifier les tags inconnus ? Cadre de transfert de connaissances multimodal pour réaliser un nouveau SOTA.

Passage 6 : ChatGPT n'est pas tout ce dont vous avez besoin. Une revue de pointe des grands modèles d'IA générative

• Auteur : Roberto Gozalo-Brizuela et al
• Adresse du papier : https ://arxiv.org/abs/2301.04655

Résumé : Au cours des deux dernières années, un grand nombre de modèles génératifs à grande échelle ont vu le jour dans le domaine de l'IA, comme ChatGPT ou Stable Diffusion. Plus précisément, ces modèles sont capables d'effectuer des tâches telles que des systèmes généraux de réponse aux questions ou de créer automatiquement des images artistiques, qui révolutionnent de nombreux domaines.

Dans un récent article de synthèse soumis par des chercheurs de l'Université pontificale de Comillas en Espagne, l'auteur a tenté de décrire de manière concise l'impact de l'IA générative sur de nombreux modèles actuels et a classé les principaux modèles d'IA générative récemment publiés . .

Icônes de catégorie.

Recommandé : ChatGPT n'est pas tout ce dont vous avez besoin, un examen de 9 types de modèles d'IA générative de 6 grandes entreprises.

Article 7 : ClimaX : Un modèle de base pour la météo et le climat

• Auteur : Tung Nguyen et al
• Adresse de l'article : https://arxiv.org/abs/2301.103 43

Résumé : Le groupe de recherche Microsoft Autonomous Systems and Robotics et le Microsoft Research Center for Scientific Intelligence ont développé ClimaX, un modèle d'apprentissage profond flexible et généralisable pour la science de la météo et du climat qui peut être utilisé Entraînez-vous sur des ensembles de données hétérogènes avec différentes variables, couverture spatio-temporelle et base physique.

ClimaX étend l'architecture Transformer avec de nouveaux blocs d'encodage et d'agrégation qui permettent une utilisation efficace des calculs disponibles tout en conservant la généralité. ClimaX est pré-entraîné à l'aide d'un objectif d'apprentissage auto-supervisé sur des ensembles de données climatiques dérivés du CMIP6. Le ClimaX pré-entraîné peut ensuite être affiné pour résoudre un large éventail de tâches climatiques et météorologiques, y compris celles impliquant des variables atmosphériques et des échelles spatio-temporelles non vues lors du pré-entraînement.

Architecture ClimaX utilisée lors de la pré-formation

Recommandé : L'équipe Microsoft lance le premier modèle de base météorologique et climatique basé sur l'IA, ClimaX.

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!