GPT-4 の人間らしい推論能力が大幅に向上しました。中国科学院が提唱した「思考コミュニケーション」、アナログ思考はCoTを超えてすぐに応用可能
現在、GPT-4 や PaLM などの巨大なニューラル ネットワーク モデルが登場し、驚くべき少数サンプル学習能力を実証しています。
簡単なプロンプトを与えるだけで、テキスト推論を実行し、物語を書き、質問に答え、プログラムを作成できます...
中国アカデミーの研究者理学部とイェール大学は、「類推的思考」を通じてLLMの推論能力を強化することを目的とした「思考伝播」と呼ばれる新しいフレームワークを提案しました。 #論文アドレス: https://arxiv.org/abs/2310.03965
「思考コミュニケーション」は、人間の認知、つまり、新しい問題に遭遇したとき、私たちはしばしばすでに解決した同様の問題と比較して、戦略を導き出します。
したがって、このアプローチの鍵は、入力の問題を解決する前に、入力に関連する「類似した」問題を調査することです。
最後に、ソリューションはそのまま使用することも、有益な計画のために洞察を抽出することもできます。
「思考コミュニケーション」が LLM の論理機能の固有の制限に対する新しいアイデアを提案し、大規模なモデルが人間と同じように「アナロジー」を使用して問題を解決できるようにすることは予見できます。
LLM の多段階推論、人間に負ける
LLM はプロンプトに基づく基本的な推論が得意であることは明らかですが、複雑な多段階の問題に対処しますが、最適化や計画など、依然として難しい場合があります。
一方、人間は、同様の経験から得た直観を利用して、新しい問題を解決します。
大規模モデルがこれを達成できないのは、その固有の制限によるものです。
LLM の知識はすべてトレーニング データ モデルから得られるためです。 、言語や概念を真に理解することができません。したがって、統計モデルとしては、複雑な組み合わせによる一般化を実行することが困難です。
#LLM には体系的な推論能力が欠けており、人間のように段階的に推論して困難な問題を解決することができません。これが最も重要なことです
さらに、大規模なモデルの推論は局所的で近視眼的なものであるため、LLM が最適な解決策を見つけて、長い時間スケールにわたって推論の一貫性を維持することは困難です
要約すると、数学的証明、戦略計画、論理的推論における大規模モデルに存在する問題は、主に 2 つの中心的な要因に起因すると考えられます:
- 以前の経験からの洞察を再利用できない。
#人間は、新たな問題を解決するために、実践から再利用可能な知識と直感を蓄積します。対照的に、LLM は各問題に「ゼロから」アプローチし、以前のソリューションを借用しません。 #マルチステップ推論における複合エラーとは、マルチステップ推論中に発生するエラーを指します
人間は自分自身の推論の連鎖を監視し、必要に応じて最初のステップを変更します。ただし、推論の初期段階で LLM が犯した間違いは、その後の推論を間違った方向に導くため、さらに増幅されます。グローバルな最適化や長期計画の複雑な課題。
# 研究者らは、この問題に対する新しい解決策、つまり思考コミュニケーションを提案しました。
TP フレームワークThunderbolical Thinking により、LLM は人間のように推論することができます
研究者の意見では、0 からの推論では同様の問題を解決するために洞察を再利用できず、中間推論段階でエラーの蓄積が発生します。
そして、「Thought Spread」では、入力問題に関連する同様の問題を調査し、同様の問題の解決策からインスピレーションを得ることができます。
下の図は、「Thought Propagation」(TP) と他の代表的な技術との比較を示しています。入力問題の場合、p、IO、CoT、および ToT はすべて、解に到達するために最初から推論する必要があります。 s
具体的には、TP には 3 つの段階が含まれます。 :
#1. 同様の質問をする: LLM は、プロンプトを通じて入力された質問と類似した一連の類似した質問を生成します。これにより、モデルが関連する可能性のある過去の経験を取得できるようになります。
2. 同様の問題を解決する: LLM に、CoT などの既存のプロンプト テクノロジを通じて同様の問題をそれぞれ解決させます。
3. 解決策の要約: 2 つの異なる方法があります - 類推解決策に基づいて、入力問題の新しい解決策を直接推測します解決策: 類似の解決策を入力された問題と比較することにより、高レベルの計画または戦略を導き出します。
このようにして、大規模なモデルは以前の経験とヒューリスティックを活用することができ、その最初の推論を類推的な解決策とクロスチェックして、それらの解決策をさらに改良することができます
「思考の伝播」はモデルとは何の関係もなく、単一の問題解決ステップは任意のプロンプト手法に基づいて実行できることは言及する価値があります。
独自性この方法の特徴は、LLM の類推的思考を刺激し、それによって複雑な推論プロセスを導くことです。
##「思考の伝播」により LLM をより人間らしくすることができ、実際の結果がすべてを物語るはずです。 。
中国科学院とイェール大学の研究者は、次の 3 つのタスクについて評価を実施しました:
- 最短経路推論: グラフ内のノード間の最適なパスを見つけるには、グローバルな計画と検索が必要です。単純なグラフであっても、標準的な手法は失敗します。
- クリエイティブ ライティング: 一貫したクリエイティブなストーリーを作成することは、終わりのない課題です。高レベルのアウトライン プロンプトが与えられると、LLM は一貫性やロジックを失うことがよくあります。
#- LLM エージェントの計画: テキスト環境と対話する LLM エージェントは、長期的な戦略に苦労しています。彼らの計画はしばしば「逸脱」したり、サイクルに陥ったりします。 #最短経路推論
最短経路推論タスクでは、既存の方法では解決できない問題が発生します
(a) のグラフは非常に単純ですが、推論は 0 から始まるため、これらの方法では、LLM が次善の解決策 (b、c) を見つけるか、中間ノード (d) を繰り返し訪問することしかできません。
次は、TP と ToT
# の使用を組み合わせた例です。中間推論ステップ、ToT (b) (a) の問題は解決できません。同様の問題の解決策に基づいて、TP (c) は最初の次善の解決策を改良し、最終的に最適な解決策を見つけます。
ベースラインと比較して、最短パス タスクを処理する TP のパフォーマンスは 12% 大幅に向上し、最適かつ効果的な最短パスが生成されます。
さらに、オンライン書き換え (OLR) の最低値により、生成された有効パス (TP) は、ベースラインと比較して最適パスに最も近くなります
##さらに、研究者らは、最短パス タスクにおける TP 層の複雑さとパフォーマンスに関するさらなる研究も実施しました。
さらに、レイヤー 0 TP (IO) と比較して、レイヤー 1 TP のパフォーマンス向上も非常に顕著です。図 5(a) は、レイヤー 2 TP のトークン コストの増加を示しています。 以下の表 2 は、GPT-3.5 および GPT-3.5 の TP とベースラインを示しています。 4でのパフォーマンス。一貫性の点では、TP はベースラインを上回っています。さらに、ユーザー調査では、TP により人間の創造的な文章の好みが 13% 増加しました。 3 番目のタスク評価では、研究者は ALFWorld ゲーム スイートを使用しました。 134 の環境で LLM エージェントの計画タスクをインスタンス化します。 TP は、LLM エージェント計画におけるタスク完了率を 15% 増加させます。これは、同様のタスクを完了するときに計画を成功させるための反射型 TP の優位性を示しています。 上記の実験結果によると、「思考の伝播」はさまざまな推論タスクに適用でき、これらすべてのタスクで良好に機能します 「思考伝播」モデルは、複雑な LLM 推論のための新しいテクノロジーを提供します。 類推的思考は人間の問題解決能力の特徴であり、より効率的な検索やエラー修正など、一連の体系的な利点をもたらす可能性があります。 同様の状況では、LLM は、類推的な思考を促すことで、再利用可能な知識の欠如や連鎖的なローカル エラーなど、LLM 自体の弱点をより適切に克服することもできます。 ただし、これらの発見にはいくつかの制限があります。有用な類推質問を生成し、推論経路を簡潔に保つことは簡単ではありません。さらに、より長く連鎖した類推パスは長くなり、従うのが困難になる可能性があります。同時に、複数ステップの推論チェーンを制御および調整することも非常に困難な作業です。 しかし、「思考の伝播」は推論の欠陥を創造的に解決することで、興味深い解決策を提供してくれます。 LLM.メソッドの。 さらなる開発により、類推的思考により LLM の推論能力がさらに強力になる可能性があります。これは、大規模な言語モデルで人間の推論に近づけるという目標を達成するための道筋も示しています 著者紹介 Ran He(然) # 彼の研究の方向性は、生体認証アルゴリズム (顔認識と合成、虹彩認識、人物の再識別)、表現学習 (弱い/自己監視または転送を使用した事前トレーニング ネットワーク) です。学習)、および生成学習(生成モデル、画像生成、画像翻訳)。 彼は、IEEE TPAMI、IEEE TIP、IEEE TIFS、IEEE TNN、IEEE TCSVT などの有名な国際ジャーナルを含む、国際ジャーナルや会議で 200 以上の論文を発表しています。 CVPR、ICCV、ECCV、NeurIPS およびその他のトップ国際会議で活躍 彼は IEEE TIP、IEEE TBIOM、およびパターン認識の編集委員会のメンバーであり、CVPR も務めています。 ECCV、NeurIPS、ICML、ICPR、IJCAI 国際会議の地域議長 Yu Junchi は、中国科学院オートメーション研究所の博士課程 4 年生です。彼の指導教員は Heran 教授です。 彼は以前、Tencent でインターンをしていました。人工知能研究所では、Tingyang Xu 博士、Yu Rong 博士、Yatao Bian 博士、Junzhou Huang 教授と協力しました。現在、彼はイェール大学のコンピューター サイエンス学部の交換留学生で、レックス イン教授の下で勉強しています。 彼の目標は、優れた解釈性と移植性を備えた信頼できるグラフを開発することです。 TwGL) メソッドを開発し、生化学におけるその応用を探るクリエイティブ ライティング
LLM エージェント プランニング
LLM 推論を強化する鍵
彼は、中国科学院オートメーション研究所および中国科学院大学の国立パターン認識研究所の教授です。彼は IAPR フェローであり、IEEE
の上級メンバーでもあります。彼は以前に大連理工大学で学士号と修士号を取得し、中国科学院オートメーション研究所で博士号を取得しています。 2009 年
以上がGPT-4 の人間らしい推論能力が大幅に向上しました。中国科学院が提唱した「思考コミュニケーション」、アナログ思考はCoTを超えてすぐに応用可能の詳細内容です。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

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。

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

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。

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。
