2022 touche à sa fin. Au cours de cette année, un grand nombre d'articles précieux ont été publiés dans le domaine de l'apprentissage automatique, qui ont eu un impact profond sur la communauté de l'apprentissage automatique.
Aujourd'hui, Elvis S., chercheur en ML & NLP, responsable marketing produit de la technologie Meta AI et fondateur de DAIR.AI, a résumé 12 articles chauds sur l'apprentissage automatique en 2022. Le message est devenu viral et a été retweeté par Yann LeCun, lauréat du prix Turing.
Ensuite, jetons un coup d'œil un par un.
Article 1 : Un ConvNet pour les années 2020
Le développement rapide de la reconnaissance visuelle a commencé avec l'introduction de ViT, qui a rapidement remplacé le ConvNet traditionnel et est devenu le modèle de classification d'images SOTA. Le modèle ViT présente de nombreux défis dans une série de tâches de vision par ordinateur, notamment la détection de cibles, la segmentation sémantique, etc. Par conséquent, certains chercheurs ont proposé un Swin Transformer hiérarchique et ont réintroduit ConvNet auparavant, rendant Transformer réellement réalisable en tant que colonne vertébrale visuelle générale et montrant d'excellentes performances sur diverses tâches visuelles.
Cependant, l'efficacité de cette approche hybride est encore largement due aux avantages inhérents de Transformer plutôt qu'au biais inductif inhérent à la convolution. Dans cet article, des chercheurs de FAIR et de l'UC Berkeley ont réexaminé l'espace de conception et testé les limites de ce que le ConvNet pur peut réaliser. Les chercheurs ont progressivement « mis à niveau » le ResNet standard vers une conception de transformateur visuel et, ce faisant, ont découvert plusieurs composants clés à l'origine de la différence de performances.
Adresse du papier : https://arxiv.org/abs/2201.03545v2
Papier 2 : Modèles linguistiques en tant que planificateurs Zero-Shot : Extraction de connaissances exploitables pour les agents incarnés
Les connaissances du monde acquises grâce aux grands modèles linguistiques (LLM) peuvent-elles être utilisées pour des actions dans des environnements interactifs ? Dans cet article, des chercheurs de l'UC Berkeley, de la CMU et de Google explorent la possibilité d'exprimer le langage naturel sous la forme d'un ensemble d'étapes concrètes sélectionnées. Des travaux antérieurs se sont concentrés sur l'apprentissage de la manière d'agir à partir d'exemples explicitement distribués, mais ils ont découvert de manière surprenante que si le modèle de langage pré-entraîné est suffisamment grand et reçoit des conseils appropriés, les tâches de haut niveau peuvent être efficacement décomposées en planification de niveau intermédiaire sans formation supplémentaire. Cependant, les plans élaborés par LLM ne correspondent souvent pas avec précision aux actions acceptables.
Les étapes proposées par les chercheurs conditionnent les démonstrations existantes et transforment sémantiquement les plans en actions acceptables. Les évaluations dans un environnement VirtualHome montrent que l'approche proposée améliore considérablement l'exécutabilité des références LLM. L'évaluation humaine révèle un compromis entre l'applicabilité et l'exactitude, mais montre des signes de la possibilité d'extraire des connaissances exploitables à partir de modèles de langage.
Adresse du papier : https://arxiv.org/abs/2201.07207v2
Papier 3 : OFA : Unifier les architectures, les tâches et les modalités grâce à un apprentissage simple séquence à séquence Framework
Il s'agit du cadre de modèle multimodal multitâche unifié OFA lancé par Alibaba Damo Academy. Il résume les trois caractéristiques qui correspondent le mieux au modèle général à ce stade, à savoir l'indépendance des modalités, l'indépendance des tâches et. diversité des tâches. Cet article a été accepté par l'ICML 2022.
Dans le domaine des graphiques et du texte, OFA représente des tâches classiques telles que la mise à la terre visuelle, le VQA, la légende d'image, la classification d'image, la génération text2image et la modélisation du langage via un cadre seq2seq unifié, partageant l'entrée et la sortie de différentes modalités entre les tâches. et gardez Finetune cohérent avec la pré-formation sans ajouter de structures de paramètres supplémentaires.
Adresse du papier : https://arxiv.org/abs/2202.03052v2
Papier 4 : Programmes Tensor V : Réglage de grands réseaux neuronaux via un transfert d'hyperparamètres Zero-Shot
Dans l'hyperparamètre d'apprentissage profond Le réglage (HP) est un processus coûteux, en particulier pour les réseaux de neurones comportant des milliards de paramètres. Dans cet article, des chercheurs de Microsoft et OpenAI montrent que dans le paramétrage de mise à jour maximale (muP) récemment découvert, de nombreux HP optimaux restent stables même si la taille du modèle change.
Cela a conduit à un nouveau paradigme de réglage HP qu'ils ont appelé muTransfer, qui consiste à paramétrer le modèle cible dans muP, à ne pas effectuer de réglage HP directement sur des modèles plus petits, et à les migrer sans tir vers le modèle pleine grandeur, cela signifie également que ce dernier modèle n'a pas du tout besoin d'être réglé directement. Les chercheurs ont vérifié muTransfer sur Transformer et ResNet. Par exemple, en migrant à partir d'un modèle de 40 M de paramètres, les performances sont meilleures que celles du modèle GPT-3 de 6,7 B publié, avec un coût de réglage de seulement 7 % du coût total de pré-formation.
Adresse papier : https://arxiv.org/abs/2203.03466v2
Papier 5 : OPT : Modèles ouverts de langage de transformateur pré-entraînés
Grands modèles y aller souvent Grâce à des milliers de jours de formation informatique, ils démontrent des capacités extraordinaires en matière d'apprentissage à zéro et à quelques coups. Mais compte tenu de leur coût de calcul, ces grands modèles sont difficiles à reproduire sans un financement adéquat. Pour les quelques modèles disponibles via l'API, il n'y a pas d'accès à leurs poids complets, ce qui rend leur étude difficile.
Dans cet article, les chercheurs de Meta AI proposent des Open Pre-trained Transformers (OPT), qui est un ensemble de modèles de transformateurs pré-entraînés uniquement pour les décodeurs, avec des paramètres allant de 125M à 175B. Ils ont montré que l’OPT-175B avait des performances comparables à celles du GPT-3, mais qu’il ne nécessitait que 1/7 de l’empreinte carbone pour se développer.
Adresse du papier : https://arxiv.org/abs/2205.01068v4
Papier 6 : Un agent généraliste
Inspiré par la modélisation du langage à grande échelle , Esprit profond A Un seul agent « généraliste » Gato est construit, qui présente les caractéristiques de multimodalité, de multitâche et de multi-incarnation.
Gato peut jouer à des jeux Atari, produire des sous-titres pour les images, discuter avec d'autres, empiler des blocs avec un bras robotique, et bien plus encore. De plus, Gato peut décider d'afficher du texte, des couples d'articulation, des pressions sur des boutons ou d'autres jetons en fonction du contexte.
Contrairement à la plupart des agents jouant à des jeux, Gato peut jouer à de nombreux jeux en utilisant le même modèle de formation sans avoir à s'entraîner séparément pour chaque jeu.
Adresse de l'article : https://arxiv.org/abs/2205.06175v3
Article 7 : Résoudre des problèmes de raisonnement quantitatif avec des modèles linguistiques
De Les chercheurs de Gu Song ont proposé de développer un modèle de langage d'apprentissage profond appelé Minerva qui peut résoudre des problèmes mathématiques quantitatifs grâce à un raisonnement étape par étape. Ses solutions incluent des calculs numériques et des manipulations symboliques sans recourir à des outils externes tels que des calculatrices.
De plus, Minerva combine plusieurs techniques, notamment de petits exemples d'invites, un enchaînement de pensées, des invites de bloc-notes et des principes de vote majoritaire pour obtenir des performances SOTA sur les tâches de raisonnement STEM.
Minerva est construit sur la base de PaLM (Pathways Language Model) et est en outre formé sur un ensemble de données de 118 Go. L'ensemble de données provient d'articles arXiv sur la technologie et de pages Web qui utilisent LaTeX, MathJax ou d'autres données d'expressions mathématiques. pour une formation complémentaire.
L'image ci-dessous montre un exemple de la façon dont Minerva résout le problème :
Adresse papier : https://arxiv.org/abs/2206.14858
Papier 8 : Pas de langue Left Behind: Scaling Human-Centered Machine Translation
Des chercheurs de Meta AI ont publié le modèle de traduction NLLB (No Language Left Behind), qui se traduit littéralement par « Aucune langue ne peut être laissée pour compte », qui peut prendre en charge toute traduction entre Plus de 200 langues, en plus de la traduction de langues couramment utilisées telles que le chinois, l'anglais, le français et le japonais, NLLB peut également traduire de nombreuses langues de niche, notamment le luganda, l'ourdou, etc.
Meta affirme qu'il s'agit de la première conception au monde qui utilise un modèle unique pour traduire en plusieurs langues. Ils espèrent que cela aidera davantage de personnes à interagir dans plusieurs langues sur les plateformes sociales tout en améliorant l'expérience des utilisateurs dans le futur métaverse interactif. expérience.
Adresse de l'article : https://arxiv.org/abs/2207.04672v3
Article 9 : Synthèse d'images haute résolution avec modèles de diffusion latente
période récente La diffusion stable est devenue populaire ces dernières années et il existe d’innombrables études autour de cette technologie.
Cette recherche est basée sur l'article CVPR 2022 "Synthèse d'images haute résolution avec modèles de diffusion latente" par des chercheurs de l'Université de Munich et Runway, et a été réalisée en collaboration avec des équipes telles qu'Eleuther AI et LAION. Stable Diffusion peut fonctionner sur un GPU grand public avec 10 Go de VRAM et génère une image de 512 x 512 pixels en quelques secondes sans pré- et post-traitement.
En seulement quatre mois, ce projet open source a reçu 38K étoiles.
Adresse du projet : https://github.com/CompVis/stable-diffusion
Affichage d'un exemple d'image générée par diffusion stable :
Papier 10 : Reconnaissance vocale robuste via Large-Scale Weak Supervision
OpenAI publie le modèle open source Whisper, qui est proche du niveau humain en matière de reconnaissance vocale en anglais et a une grande précision.
Whisper est un système de reconnaissance vocale automatique (ASR, Automatic Speech Recognition). Whisper a été formé par OpenAI en collectant 680 000 heures de 98 langues et des données supervisées multitâches à partir d'Internet. En plus de la reconnaissance vocale, Whisper peut également transcrire plusieurs langues et traduire ces langues en anglais.
Adresse du papier : https://arxiv.org/abs/2212.04356
Papier 11 : Créer une vidéo : génération de texte en vidéo sans données texte-vidéo
De Meta Les chercheurs en IA ont proposé un modèle de pointe de conversion texte-vidéo : Make-A-Video, qui peut générer une vidéo à partir d'une invite de texte donnée.
Make-A-Video présente trois avantages : (1) il accélère la formation des modèles T2V (Text-to-Video) sans avoir besoin d'apprendre des représentations visuelles et multimodales à partir de zéro, (2) il ne nécessitent un couplage de données texte-vidéo, (3) la vidéo générée hérite de nombreux avantages des modèles de génération d’images actuels.
Cette technologie est conçue pour générer du texte en vidéo, produisant des vidéos uniques en utilisant seulement quelques mots ou lignes de texte. L'image ci-dessous montre un chien portant des vêtements de super-héros et une cape rouge, volant dans le ciel :
Adresse papier : https://arxiv.org/abs/2209.14792
Papier 12 : Galactica : Un grand modèle linguistique pour la science
Ces dernières années, avec l'avancement de la recherche dans divers domaines, la littérature et les données scientifiques ont explosé, permettant aux chercheurs universitaires de découvrir des informations utiles à partir de grandes quantités d'informations. difficile. Habituellement, les gens utilisent les moteurs de recherche pour obtenir des connaissances scientifiques, mais les moteurs de recherche ne peuvent pas organiser les connaissances scientifiques de manière autonome.
Récemment, l'équipe de recherche de Meta AI a proposé un nouveau modèle de langage à grande échelle Galactica qui peut stocker, combiner et raisonner sur des connaissances scientifiques. Galactica peut résumer un article de synthèse, générer des requêtes encyclopédiques d'entrées et fournir des réponses éclairées aux questions.
Adresse papier : https://arxiv.org/abs/2211.09085
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!
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
