arXiv の公式ルールによると、ChatGPT などのツールを作成者として使用することは許可されていません
最近リリースされたテキスト生成ツールである ChatGPT は、研究コミュニティで激しい議論を引き起こしました。学生のエッセイを書いたり、研究論文を要約したり、質問に答えたり、使用可能なコンピュータ コードを生成したりでき、さらには医学試験、MBA 試験、司法試験に合格するのにも十分です...
主な質問 はい: ChatGPT を研究論文の著者として指名できますか?
さて、世界最大のプレプリント出版プラットフォームである arXiv からの公式の明確な答えは「ノー」です。
AI には著作権はありません
ChatGPT が登場する以前、研究者は長い間チャットボットを研究アシスタントとして使用して、思考を整理し、研究に対する洞察を生み出してきました。コーディングと研究文献の要約の支援。
こうした補助的な著作物は認められているようですが、「署名」となると全く別問題になります。 「明らかに、コンピュータ プログラムは論文の内容に責任を負うことはできません。また、arXiv の利用規約に同意することもできません。」
プレプリントや公開記事の中には、次のようなものがあります。正式に著者権は ChatGPT に与えられます。この問題に対処するために、arXiv は生成 AI 言語ツールの使用に関する作成者向けの新しいポリシーを採用しました。
公式声明は次のとおりです:
arXiv は、科学者がさまざまなツールを使用して報告対象の科学的研究を行っていることを認識しています。単純なツールから非常に複雑なツールまで、レポート自体を作成します。
これらのツールの適切性に関するコミュニティの見解はさまざまであり、常に変化しており、AI 主導の言語ツールは重要な議論を引き起こします。ツールは有益で役に立つ結果を生み出すこともありますが、誤ったまたは誤解を招く結果も生み出す可能性があることに注意してください。したがって、どのツールが使用されているかを理解することは、科学的研究の評価と解釈に関連します。
これに基づいて、arXiv は次のことを決定しました:
1. 続けてください。作成者に対して、作業における機器やソフトウェアなどの複雑なツールの使用を報告するよう要求します。現在、方法論的なトピックの基準を満たす報告すべきツールの中に、特に「テキストからテキストへの生成人工知能」が含まれています。
2. すべての同僚は、論文に自分の名前を署名することで、作成方法に関係なく、論文のすべての内容に対して各自が全責任を負うことを思い出させられます。生成 AI 言語ツールが不適切な言語、盗用されたコンテンツ、誤ったコンテンツ、誤った参照、または誤解を招くコンテンツを生成し、その出力が科学的著作物に組み込まれた場合、これは著者の責任となります。
3. 生成人工知能言語ツールは作成者としてリストされるべきではありません。1 を参照してください。
「ルール」の意味
数日前、「ネイチャー」誌は、すべてのシュプリンガー・ネイチャー誌と共同で 2 つの原則を策定したと公に発表しました。既存の著者ガイドラインに原則が追加されました:
まず、大規模な言語モデリング ツールは、研究論文の名前付き著者として受け入れられません。なぜなら、どんな著作者であっても作品に対する責任は伴うものであり、AIツールはその責任を負うことができないからです。
第二に、大規模言語モデリング ツールを使用する研究者は、この使用法を方法または謝辞のセクションに文書化する必要があります。論文にこれらのセクションが含まれていない場合は、序文またはその他の適切なセクションを使用して、大規模な言語モデルの使用を文書化します。
これらの規制は、arXiv が発表した最新の原則と非常によく似ており、学術出版分野の組織はある程度の合意に達しているようです。
ChatGPT は強力な機能を備えていますが、学校の課題や論文出版などの分野での悪用が広範な懸念を引き起こしています。
機械学習カンファレンス ICML は次のように述べています。「ChatGPT は公開データに基づいてトレーニングされており、多くの場合同意なしに収集されるため、一連の責任が生じます。帰属の問題です。」
したがって、学術コミュニティは、ChatGPT などの大規模言語モデル (LLM) によって生成されたテキストを検出するための方法とツールの探索を開始しました。将来的には、コンテンツが AI によって生成されたかどうかを検出することが「審査プロセスの重要な部分」になる可能性があります。
以上がarXiv の公式ルールによると、ChatGPT などのツールを作成者として使用することは許可されていませんの詳細内容です。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

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

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。

今日は、時系列予測のパフォーマンスを向上させるために、時系列データを潜在空間上の大規模な自然言語処理 (NLP) モデルと整合させる方法を提案するコネチカット大学の最近の研究成果を紹介したいと思います。この方法の鍵は、潜在的な空間ヒント (プロンプト) を使用して時系列予測の精度を高めることです。論文タイトル: S2IP-LLM: SemanticSpaceInformedPromptLearningwithLLMforTimeSeriesForecasting ダウンロードアドレス: https://arxiv.org/pdf/2403.05798v1.pdf 1. 大きな問題の背景モデル

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。
