Google MIT의 최신 연구에 따르면 고품질 데이터를 얻는 것은 어렵지 않습니다. 대규모 모델이 솔루션입니다.
현재 대규모 모델 학습에서는 고품질 데이터 획득이 주요 병목 현상이 되었습니다.
며칠 전 OpenAI는 New York Times에 의해 고소당했으며 수십억 달러의 배상을 요구했습니다. 불만 사항에는 GPT-4의 표절에 대한 여러 증거가 나열되어 있습니다.
뉴욕타임스에서도 GPT 등 거의 모든 대형 모델을 폐기할 것을 촉구했습니다.
AI 업계의 많은 유명 인사들은 오랫동안 "합성 데이터"가 이 문제에 대한 최선의 해결책이 될 수 있다고 믿어 왔습니다.
앞서 구글팀에서는 인간의 라벨링 선호도인 RLAIF를 대체하기 위해 LLM을 활용하는 방법도 제안했는데, 그 효과는 인간보다 뒤떨어지지도 않습니다.
이제 Google과 MIT의 연구원들은 대규모 모델에서 학습하면 실제 데이터를 사용하여 훈련된 최고의 모델을 표현할 수 있다는 사실을 발견했습니다.
이 최신 방법은 SynCLR이라고 불리며, 실제 데이터 없이 합성 이미지와 합성 설명만으로 가상 표현을 완전히 학습하는 방법입니다.
논문 주소: https://arxiv.org/abs/2312.17742
실험 결과는 SynCLR 방법을 통해 학습된 표현이 ImageNet의 OpenAI CLIP 전송 효과만큼 좋을 수 있음을 보여줍니다. .
생성 모델에서 학습
현재 가장 효과적인 "시각적 표현" 학습 방법은 대규모 실제 데이터 세트에 의존하고 있습니다. 그러나 실제 데이터를 수집하는 데에는 많은 어려움이 있습니다.
데이터 수집 비용을 줄이기 위해 본 논문의 연구자들은 다음과 같은 질문을 합니다.
기성 생성 모델에서 샘플링한 합성 데이터가 대규모 선별 데이터세트를 향한 실행 가능한 경로입니까? 최첨단 시각적 표현을 훈련하시나요?
Google 연구자들은 데이터에서 직접 학습하는 것과 달리 이 모드를 '모델에서 학습'이라고 부릅니다. 대규모 훈련 세트를 구축하기 위한 데이터 소스로서 모델에는 여러 가지 장점이 있습니다.
- 잠재 변수, 조건 변수 및 하이퍼파라미터를 통해 데이터 관리를 위한 새로운 제어 방법을 제공합니다.
- 모델은 공유 및 저장도 더 쉽고(모델은 데이터보다 압축하기가 더 쉽기 때문에) 데이터 샘플을 무제한으로 생성할 수 있습니다.
다운스트림 모델 훈련을 위한 데이터 소스로서 생성 모델의 이러한 속성과 기타 장점과 단점을 조사하는 문헌이 점점 늘어나고 있습니다.
이러한 방법 중 일부는 하이브리드 모델을 채택합니다. 즉, 실제 데이터세트와 합성 데이터세트를 혼합하거나 하나의 실제 데이터세트를 요구하여 다른 합성 데이터세트를 생성합니다.
다른 방법은 순전히 "합성 데이터"로부터 표현을 학습하려고 시도하지만 최고의 성능을 발휘하는 모델보다 훨씬 뒤떨어집니다.
논문에서 연구자들이 제안한 최신 방법은 생성 모델을 사용하여 시각화 클래스의 세분성을 재정의합니다.
그림 2와 같이 "선글라스를 쓰고 비치모자를 쓰고 자전거를 타는 골든 리트리버"와 "초밥으로 만든 집에 앉아 있는 귀여운 골든 리트리버" 내부의 2가지 팁을 사용하여 4개의 이미지가 생성되었습니다.
Sim-CLR과 같은 기존의 자체 지도 방법은 이러한 이미지를 서로 다른 클래스로 처리하며 이미지 간의 공유 의미를 명시적으로 고려하지 않고 서로 다른 이미지의 임베딩을 분리합니다.
다른 극단적인 경우 지도 학습 방법(예: SupCE)은 이러한 모든 이미지를 단일 클래스(예: "골든 리트리버")로 처리합니다. 이는 한 쌍의 이미지에서 자전거를 타는 개와 다른 쌍의 스시 집에 앉아 있는 개와 같은 이미지의 의미적 뉘앙스를 무시합니다.
반대로 SynCLR 접근 방식은 설명을 클래스로 처리합니다(예: 설명당 하나의 시각화 클래스).
이렇게 하면 "자전거 타기"와 "초밥집에 앉아있는 것"이라는 두 가지 컨셉에 따라 사진을 그룹화할 수 있습니다.
주어진 설명으로 여러 이미지를 수집하는 것이 쉽지 않기 때문에 이러한 종류의 세분성은 실제 데이터에서 마이닝하기 어렵습니다. 특히 설명 수가 증가할 때 더욱 그렇습니다.
그러나 텍스트-이미지 확산 모델은 기본적으로 이러한 기능을 가지고 있습니다.
단순히 동일한 설명을 조건화하고 다양한 노이즈 입력을 사용함으로써 텍스트-이미지 확산 모델은 동일한 설명과 일치하는 다양한 이미지를 생성할 수 있습니다.
구체적으로 저자는 실제 이미지나 텍스트 데이터 없이 시각적 인코더를 학습하는 문제를 연구합니다.
최신 접근 방식은 언어 생성 모델(g1), 텍스트-이미지 생성 모델(g2) 및 선별된 시각적 개념 목록(c)의 3가지 핵심 리소스를 활용하는 것입니다.
전처리에는 세 단계가 포함됩니다.
(1) (g1)을 사용하여 C의 다양한 시각적 개념을 다루는 포괄적인 이미지 설명 T 세트를 합성합니다.
(2) 각각에 대해 T의 제목에서 여러 이미지는 (g2)를 사용하여 생성되어 궁극적으로 광범위한 합성 이미지 데이터 세트를 생성합니다. X
(3)은 X에서 훈련되어 시각적 표현 인코더 f를 얻습니다.
그런 다음 추론 속도가 빠르기 때문에 llama-27b와 Stable Diffusion 1.5를 각각 (g1)과 (g2)로 사용합니다.
합성 설명
강력한 텍스트-이미지 모델의 기능을 활용하여 대규모 학습 이미지 데이터 세트를 생성하려면 먼저 이미지를 정확하게 설명할 뿐만 아니라 다양성을 나타내는 설명 집합이 필요합니다. 다양한 시각적 개념을 포함합니다.
이에 대응하여 저자는 대규모 모델의 상황별 학습 기능을 활용하여 대규모 설명 세트를 생성할 수 있는 확장 가능한 방법을 개발했습니다.
다음은 합성 템플릿의 세 가지 예를 보여줍니다.
다음은 Llama-2를 사용하여 맥락 설명을 생성하는 것입니다. 연구원들은 각 추론 실행에서 세 가지 맥락 예를 무작위로 샘플링했습니다.
합성 이미지
연구원들은 각 텍스트 설명에 대해 서로 다른 무작위 노이즈로 역확산 과정을 시작하여 다양한 이미지를 얻었습니다.
이 과정에서는 CFG(분류자 없는 부트스트래핑) 비율이 핵심 요소입니다.
CFG 스케일이 높을수록 샘플의 품질이 좋아지고 텍스트와 이미지 간의 일관성이 좋아지며, 스케일이 낮을수록 샘플의 다양성이 커지고 주어진 텍스트 원본 조건을 기반으로 한 이미지 간의 일관성이 좋아집니다. 분포.
Representation Learning
논문에서 표현 학습 방법은 StableRep을 기반으로 합니다.
저자가 제안한 방법의 핵심 구성 요소는 동일한 설명에서 생성된 이미지를 (임베딩 공간에서) 정렬하여 작동하는 다중 양성 대비 학습 손실입니다.
또한 다른 자기 지도 학습 방법의 다양한 기술도 연구에 결합되었습니다.
OpenAI의 CLIP과 비교
실험 평가에서 연구진은 먼저 파이프라인 내의 다양한 설계 및 모듈의 효율성을 평가하기 위해 절제 연구를 수행한 후 합성 데이터의 양을 계속 확장했습니다.
아래 그림은 다양한 설명 합성 전략을 비교한 것입니다.
연구원들은 9개의 세분화된 데이터세트에 대한 ImageNet 선형 평가 정확도와 평균 정확도를 보고합니다. 여기에 있는 각 항목에는 천만 개의 설명과 설명당 4개의 사진이 포함되어 있습니다.
다음 표는 ImageNet 선형 평가와 세분화된 분류를 비교한 것입니다.
합성 데이터만 사용했음에도 불구하고 SynCLR은 OpenAI의 CLIP 및 DINO v2 모델과 비슷한 결과를 얻었습니다.
다음 표는 동일한 합성 데이터에서 SynCLR과 CLIP을 비교한 것입니다. SynCLR이 CLIP보다 훨씬 우수하다는 것을 알 수 있습니다.
제목당 4개의 이미지를 생성하도록 특별히 설정된 SynCaps-150M은 SynCLR 및 CLIP에 대한 더 나은 표현을 제공합니다.
PCA 시각화는 다음과 같습니다. DINO v2에 이어 연구원들은 동일한 이미지 세트의 패치 간 PCA를 계산하고 처음 3개 구성 요소를 기반으로 색상을 지정했습니다.
DINO v2에 비해 SynCLR은 자동차와 비행기 그림에서는 더 정확하지만 그릴 수 있는 그림에서는 약간 더 나쁩니다.
그림 6과 그림 7은 각각 다양한 훈련 규모에 따른 ImageNet의 선형 정확도와 다양한 훈련 매개변수 규모에 따른 정밀 분류를 보여줍니다.
생성 모델에서 배우는 이유는 무엇인가요?
한 가지 강력한 이유는 생성 모델이 수백 개의 데이터 세트에서 동시에 작동할 수 있어 교육 데이터를 관리하는 편리하고 효율적인 방법을 제공한다는 것입니다.
요약하자면, 최신 논문은 시각적 표현 학습의 새로운 패러다임, 즉 생성 모델로부터의 학습을 조사합니다.
SynCLR이 학습한 시각적 표현은 실제 데이터를 사용하지 않고 최첨단 범용 시각적 표현 학습자가 학습한 것과 비슷합니다.
위 내용은 Google MIT의 최신 연구에 따르면 고품질 데이터를 얻는 것은 어렵지 않습니다. 대규모 모델이 솔루션입니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제









DDREASE는 하드 드라이브, SSD, RAM 디스크, CD, DVD 및 USB 저장 장치와 같은 파일 또는 블록 장치에서 데이터를 복구하기 위한 도구입니다. 한 블록 장치에서 다른 블록 장치로 데이터를 복사하여 손상된 데이터 블록은 남겨두고 양호한 데이터 블록만 이동합니다. ddreasue는 복구 작업 중에 간섭이 필요하지 않으므로 완전히 자동화된 강력한 복구 도구입니다. 게다가 ddasue 맵 파일 덕분에 언제든지 중지하고 다시 시작할 수 있습니다. DDREASE의 다른 주요 기능은 다음과 같습니다. 복구된 데이터를 덮어쓰지 않지만 반복 복구 시 공백을 채웁니다. 그러나 도구에 명시적으로 지시된 경우에는 잘릴 수 있습니다. 여러 파일이나 블록의 데이터를 단일 파일로 복구

0. 이 글은 어떤 내용을 담고 있나요? 우리는 다재다능하고 빠른 최첨단 생성 단안 깊이 추정 모델인 DepthFM을 제안합니다. DepthFM은 전통적인 깊이 추정 작업 외에도 깊이 인페인팅과 같은 다운스트림 작업에서 최첨단 기능을 보여줍니다. DepthFM은 효율적이며 몇 가지 추론 단계 내에서 깊이 맵을 합성할 수 있습니다. 이 작품을 함께 읽어보아요~ 1. 논문 정보 제목: DepthFM: FastMoncularDepthEstimationwithFlowMatching 저자: MingGui, JohannesS.Fischer, UlrichPrestel, PingchuanMa, Dmytr

Boston Dynamics Atlas가 공식적으로 전기 로봇 시대에 돌입했습니다! 어제 유압식 Atlas가 역사의 무대에서 "눈물을 흘리며" 물러났습니다. 오늘 Boston Dynamics는 전기식 Atlas가 작동 중이라고 발표했습니다. 상업용 휴머노이드 로봇 분야에서는 보스턴 다이내믹스가 테슬라와 경쟁하겠다는 각오를 다진 것으로 보인다. 새 영상은 공개된 지 10시간 만에 이미 100만 명이 넘는 조회수를 기록했다. 옛 사람들은 떠나고 새로운 역할이 등장하는 것은 역사적 필연이다. 올해가 휴머노이드 로봇의 폭발적인 해라는 것은 의심의 여지가 없습니다. 네티즌들은 “로봇의 발전으로 올해 개막식도 인간처럼 생겼고, 자유도도 인간보다 훨씬 크다. 그런데 정말 공포영화가 아닌가?”라는 반응을 보였다. 영상 시작 부분에서 아틀라스는 바닥에 등을 대고 가만히 누워 있는 모습입니다. 다음은 입이 떡 벌어지는 내용이다

Google이 추진하는 JAX의 성능은 최근 벤치마크 테스트에서 Pytorch와 TensorFlow를 능가하여 7개 지표에서 1위를 차지했습니다. 그리고 JAX 성능이 가장 좋은 TPU에서는 테스트가 이루어지지 않았습니다. 개발자들 사이에서는 여전히 Tensorflow보다 Pytorch가 더 인기가 있습니다. 그러나 앞으로는 더 큰 모델이 JAX 플랫폼을 기반으로 훈련되고 실행될 것입니다. 모델 최근 Keras 팀은 기본 PyTorch 구현을 사용하여 세 가지 백엔드(TensorFlow, JAX, PyTorch)와 TensorFlow를 사용하는 Keras2를 벤치마킹했습니다. 첫째, 그들은 주류 세트를 선택합니다.

지연이 발생하고 iPhone의 모바일 데이터 연결 속도가 느립니까? 일반적으로 휴대폰의 셀룰러 인터넷 강도는 지역, 셀룰러 네트워크 유형, 로밍 유형 등과 같은 여러 요소에 따라 달라집니다. 더 빠르고 안정적인 셀룰러 인터넷 연결을 얻기 위해 할 수 있는 일이 몇 가지 있습니다. 수정 1 – iPhone 강제 다시 시작 때로는 장치를 강제로 다시 시작하면 셀룰러 연결을 포함한 많은 항목이 재설정됩니다. 1단계 – 볼륨 높이기 키를 한 번 눌렀다가 놓습니다. 그런 다음 볼륨 작게 키를 눌렀다가 다시 놓습니다. 2단계 - 프로세스의 다음 부분은 오른쪽에 있는 버튼을 누르는 것입니다. iPhone이 다시 시작되도록 하세요. 셀룰러 데이터를 활성화하고 네트워크 속도를 확인하세요. 다시 확인하세요 수정 2 – 데이터 모드 변경 5G는 더 나은 네트워크 속도를 제공하지만 신호가 약할 때 더 잘 작동합니다

세상은 미친 듯이 큰 모델을 만들고 있습니다. 인터넷의 데이터만으로는 충분하지 않습니다. 훈련 모델은 '헝거게임'처럼 생겼고, 전 세계 AI 연구자들은 이러한 데이터를 탐식하는 사람들에게 어떻게 먹이를 줄지 고민하고 있습니다. 이 문제는 다중 모드 작업에서 특히 두드러집니다. 아무것도 할 수 없던 시기에, 중국 인민대학교 학과의 스타트업 팀은 자체 새로운 모델을 사용하여 중국 최초로 '모델 생성 데이터 피드 자체'를 현실화했습니다. 또한 이해 측면과 생성 측면의 두 가지 접근 방식으로 양측 모두 고품질의 다중 모드 새로운 데이터를 생성하고 모델 자체에 데이터 피드백을 제공할 수 있습니다. 모델이란 무엇입니까? Awaker 1.0은 중관촌 포럼에 최근 등장한 대형 멀티모달 모델입니다. 팀은 누구입니까? 소폰 엔진. 런민대학교 힐하우스 인공지능대학원 박사과정 학생인 Gao Yizhao가 설립했습니다.

무엇? 주토피아는 국내 AI로 현실이 되는 걸까? 영상과 함께 노출된 것은 '켈링'이라는 국산 대형 영상세대 신형 모델이다. Sora는 유사한 기술 경로를 사용하고 자체 개발한 여러 기술 혁신을 결합하여 크고 합리적인 움직임뿐만 아니라 물리적 세계의 특성을 시뮬레이션하고 강력한 개념적 결합 능력과 상상력을 갖춘 비디오를 제작합니다. 데이터에 따르면 Keling은 최대 1080p의 해상도로 30fps에서 최대 2분의 초장 영상 생성을 지원하며 다양한 화면비를 지원합니다. 또 다른 중요한 점은 Keling이 실험실에서 공개한 데모나 비디오 결과 시연이 아니라 단편 비디오 분야의 선두주자인 Kuaishou가 출시한 제품 수준 애플리케이션이라는 점입니다. 더욱이 백지 작성이 아닌 실용성에 중점을 두고, 출시되자마자 온라인에 진출하는 데 중점을 두고 있다. 콰이잉에서는 커링의 대형 모델이 출시됐다.

최근 군계는 미군 전투기가 이제 AI를 활용해 완전 자동 공중전을 완수할 수 있다는 소식에 충격을 받았다. 네, 얼마 전 미군의 AI 전투기가 최초로 공개되면서 그 미스터리가 드러났습니다. 이 전투기의 정식 명칭은 VISTA(Variable Stability Flight Simulator Test Aircraft)로 미 공군 장관이 직접 조종해 일대일 공중전을 모의 실험한 것이다. 5월 2일, 미 공군 장관 프랭크 켄달(Frank Kendall)이 X-62AVISTA를 타고 에드워드 공군 기지에서 이륙했습니다. 1시간의 비행 동안 모든 비행 작업은 AI에 의해 자동으로 완료되었습니다. Kendall은 "지난 수십 년 동안 우리는 자율 공대공 전투의 무한한 잠재력에 대해 생각해 왔지만 항상 도달할 수 없는 것처럼 보였습니다."라고 말했습니다. 그러나 지금은,
