Meta が MoDem ワールド モデルを発表: LeCun が提案した、視覚分野における 3 つの主要な課題を解決
#12 月 27 日、
#、MetaAI の A
## 27日夕方現在、このツイートの読書量は73.9kに達しました。
彼は、わずか 5 つのデモンストレーションで、MoDem は 10 万のインタラクション ステップで、報酬がまばらで高次元のアクション スペースの問題を解決できると述べました。困難な視覚的モーション制御タスクに対する最先端の手法。
それはどれほど優れていますか? 彼らは、MoDem が低データ領域での以前の方法よりも、まばらな報酬タスクの完了において 150% ~ 250% 高い成功率を達成したことを発見しました。
## ####。
Lecun 氏はまた、この研究を転送し、MoDem のモデル アーキテクチャは JEPA に似ており、デコーダを必要とせずに表現空間で予測を行うことができると述べました。 。
#編集者が以下にリンクを貼っていますので、ご興味があればご覧ください~
紙のリンク: https://arxiv.org/abs/2212.05698
Github リンク: https://arxiv.org/abs/2212.05698 : //github.com/facebookresearch/modem
研究のイノベーションとモデル アーキテクチャ
サンプル効率が低いということは、深層強化学習の導入の実用化です ( RL) アルゴリズム 主な課題、特に視覚運動制御。モデルベースの RL には、ワールド モデルの学習と計画とポリシーの改善のための合成デプロイメントの使用を同時に行うことで、高いサンプル効率を達成できる可能性があります。
しかし、実際には、モデルベースの RL におけるサンプルの効率的な学習は探索の課題によってボトルネックになっており、この研究はこれらの主な課題を正確に解決します。
まず、MoDem は、ワールド モデルを使用し、RL と自己教師あり視覚事前トレーニングをそれぞれ模倣することで、視覚強化学習/制御の分野における 3 つの主要な課題を解決します。
- サンプルの複雑さが大きい
- 高次元の状態およびアクション空間の探索
- 同時学習視覚的表現と動作の
#これ モデル アーキテクチャは、Yann LeCun の JEPA に似ており、デコーダを必要としません。
著者の Aravind Rajeswaran 氏は、ピクセル レベルの予測にデコーダが必要で重いアーキテクチャを持つ Dreamer と比較して、デコーダのないアーキテクチャは、事前に視覚表現の直接挿入をサポートできると述べました。 -SSLを使用してトレーニングされています。
さらに、IL RL に基づいて、次の 3 段階のアルゴリズムを提案しました。
- BC 事前トレーニング戦略
- デモンストレーションと探索を含むシード データセットを使用して世界モデルを事前トレーニングします。この段階は全体的な安定性と効率にとって重要です。
- オンライン インタラクションによる世界モデルの微調整
##結果は、生成されたアルゴリズムは、Adroit の器用な操作、MetaWorld、DeepMind コントロール スイートを含む、ハード ビジュアル モーション コントロール タスクで 21 の SOTA 結果 (最先端の結果) を達成しました。
データの観点から見ると、MoDem はさまざまなタスクにおいて他のモデルよりもはるかに優れたパフォーマンスを発揮し、結果は以前の SOTA 手法よりも 150% ~ 250% 高くなります。
#赤い線は、さまざまなタスクにおける MoDem のパフォーマンスを示しています。
このプロセスでは、MoDem のさまざまな段階の重要性、ビジュアル MBRL のデータ拡張の重要性、事前トレーニングされたビジュアル表現の有用性についても明らかにしています。最後に、凍結された R3M 機能を使用することは、直接的な E2E アプローチよりもはるかに優れています。これは刺激的であり、ビデオからの視覚的な事前トレーニングが世界モデルをサポートできることを示しています。
しかし、8 月の強力なデータを持つ E2E は凍結された R3M と競合します。事前トレーニングを通じてより良い結果を得ることができます。
以上がMeta が MoDem ワールド モデルを発表: LeCun が提案した、視覚分野における 3 つの主要な課題を解決の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









従来のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを実現する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優れていると同時に、トレーニング コストを 42.5% 節約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する会社です

AI は確かに数学を変えつつあります。最近、この問題に細心の注意を払っている陶哲軒氏が『米国数学協会会報』(米国数学協会会報)の最新号を送ってくれた。 「機械は数学を変えるのか?」というテーマを中心に、多くの数学者が意見を述べ、そのプロセス全体は火花に満ち、ハードコアで刺激的でした。著者には、フィールズ賞受賞者のアクシャイ・ベンカテシュ氏、中国の数学者鄭楽軍氏、ニューヨーク大学のコンピューター科学者アーネスト・デイビス氏、その他業界で著名な学者を含む強力な顔ぶれが揃っている。 AI の世界は劇的に変化しています。これらの記事の多くは 1 年前に投稿されたものです。

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の点で MLP よりも優れています。また、非常に少数のパラメーターを使用して、多数のパラメーターを使用して実行する MLP よりも優れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規模なネットワークと高度な自動化で DeepMind の結果を再現したと述べています。具体的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現定理に基づいているのと同様に、強力な数学的基礎を持っています。以下の図に示すように、KAN は

Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞台から「涙ながらに」撤退したばかりですが、今日、ボストン・ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン・ダイナミクス社は商用人型ロボットの分野でテスラ社と競争する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 万人以上が視聴しました。古い人が去り、新しい役割が現れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開会式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本当にホラー映画ではないのか?」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に静かに横たわっています。次に続くのは驚くべきことです

Google が推進する JAX のパフォーマンスは、最近のベンチマーク テストで Pytorch や TensorFlow のパフォーマンスを上回り、7 つの指標で 1 位にランクされました。また、テストは最高の JAX パフォーマンスを備えた TPU では行われませんでした。ただし、開発者の間では、依然として Tensorflow よりも Pytorch の方が人気があります。しかし、将来的には、おそらくより大規模なモデルが JAX プラットフォームに基づいてトレーニングされ、実行されるようになるでしょう。モデル 最近、Keras チームは、ネイティブ PyTorch 実装を使用して 3 つのバックエンド (TensorFlow、JAX、PyTorch) をベンチマークし、TensorFlow を使用して Keras2 をベンチマークしました。まず、主流のセットを選択します

テスラのロボット「オプティマス」の最新映像が公開され、すでに工場内で稼働可能となっている。通常の速度では、バッテリー(テスラの4680バッテリー)を次のように分類します:公式は、20倍の速度でどのように見えるかも公開しました - 小さな「ワークステーション」上で、ピッキング、ピッキング、ピッキング:今回は、それがリリースされたハイライトの1つビデオの内容は、オプティマスが工場内でこの作業を完全に自律的に行い、プロセス全体を通じて人間の介入なしに完了するというものです。そして、オプティマスの観点から見ると、自動エラー修正に重点を置いて、曲がったバッテリーを拾い上げたり配置したりすることもできます。オプティマスのハンドについては、NVIDIA の科学者ジム ファン氏が高く評価しました。オプティマスのハンドは、世界の 5 本指ロボットの 1 つです。最も器用。その手は触覚だけではありません

目標検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認識については、あまり研究されていません。放射状の歪みが大きいため、標準のバウンディング ボックス表現を魚眼カメラに実装するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設計を極/角度表現に探索し、これらの表現を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。

この論文では、自動運転においてさまざまな視野角 (遠近法や鳥瞰図など) から物体を正確に検出するという問題、特に、特徴を遠近法 (PV) 空間から鳥瞰図 (BEV) 空間に効果的に変換する方法について検討します。 Visual Transformation (VT) モジュールを介して実装されます。既存の手法は、2D から 3D への変換と 3D から 2D への変換という 2 つの戦略に大別されます。 2D から 3D への手法は、深さの確率を予測することで高密度の 2D フィーチャを改善しますが、特に遠方の領域では、深さ予測に固有の不確実性により不正確さが生じる可能性があります。 3D から 2D への方法では通常、3D クエリを使用して 2D フィーチャをサンプリングし、Transformer を通じて 3D と 2D フィーチャ間の対応のアテンション ウェイトを学習します。これにより、計算時間と展開時間が増加します。
