Latihan NVIDIA 64 A100 StyleGAN-T; kajian semula sembilan jenis model AI generatif

目录：

1. Pembelajaran mesin kuantum melebihi kaedah kernel
2. Boleh dipakai dalam- pengkomputeran takungan sensor menggunakan polimer optoelektronik dengan ciri-ciri cas-transportasi melalui ruang untuk pembelajaran pelbagai tugas
3. Dash: Pembelajaran Separuh Penyeliaan dengan Ambang Dinamik
4. StyleGAN-T: Membuka Kunci Kuasa GAN untuk Sintesis Teks-ke-Imej Skala Besar yang Pantas
5. Klasifikasi Berbilang Label Perbendaharaan Kata Terbuka melalui Pemindahan Pengetahuan Berbilang Modal
6. CtGPT bukan semua yang anda perlukan. Tinjauan Seni Terkini bagi model AI Generatif yang besar
7. ClimaX: Model asas untuk cuaca dan iklim
8. Stesen Radio Mingguan ArXiv：NLP、 CV、ML 更多精选论文（附音频）

论文 1：Pembelajaran mesin kuantum melangkaui kaedah kernel

• 作者：Sofiene Jerbi 等
• 论文地址：https://www.nature.com/articles/s41467- 023-36159-y

摘要：本文中，来自奥地利用奥地利图究团队确定了一个建设性框架，该框架捕获所有基于参数化量子电路的标准模型：线性野。 🎜>研究人员展示了使用量子信息论中的的工具如何将数据重新上传电路有效地映射到量子希尔伯特空间中线性樛微的。外，根据量子比特数和需要学习的数据量来分析这些模型的实验相关资源需中求。机器学习的最新结果，证明线性量子模型必须使用比数据重新上传模型多得说决某些学习任务，而核方法还需要多得多的数据点。

研究结果提供了对量子机器学习模型的更全面的了解，以及对不同模型的更全面的了解，以及对不同模型不同模型的更全面的了解。解。

这项工作中研究的量子机器学习模型。

>推荐：超越核方法的量子机器学习，量子学习模型的统一框架。

作者：Xiaosong Wu 等

论文地址：https://www.nature.com/articles/s41467-023-36205-9
• 摘要：传感器内多任务学习不仅是生物视觉的关键优点，也是人工智，也是人工智，也是人工智，也是人工智，也是人工智，也是人工智，也是人工智，也是人工智，也是人工智，也能的。统的硅视觉芯片存在大量时间以及能量开销。此外，训练传统的深度学习模型在边缘设备上既不可扩展也不可负担。
本文中，

中家科香团队提出了一种材料算法协同设计来模拟人类视网膜的学习范例，并且低开销。基于具有有效激子解离和贯穿空间贯穿空间网形半导体 p-NDI，开发了一种基于可穿戴晶体管的动态传感器储层计算系统，该系统在不同任务上表现出优异的可分离性、衰减记忆和回波玨现出优异的可分离性、衰减记忆和回波玜玜有回波玜。 🎜>与忆阻有机二极管上的「读出功能」相结合，RC 可识别手写字母和数字，并对各种服装进行分类，准确率分别为 98.04%.于所有已报告的有机半导体）。

Perbandingan tindak balas arus foto semikonduktor konvensional dan p-NDI, dan prinsip reka bentuk semikonduktor terperinci sistem RC dalam penderia.

Disyorkan: Penggunaan tenaga yang rendah dan penggunaan masa yang rendah, pasukan Akademi Sains China & Universiti Hong Kong menggunakan kaedah baharu untuk pelbagai tugas pembelajaran pengiraan dalam takungan sensor boleh pakai.

Kertas 3: Dash: Pembelajaran Separuh Seliaan dengan Ambang Dinamik

• Pengarang: Yi Xu et al
• Alamat kertas: https://proceedings.mlr.press/v139/xu21e/xu21e.pdf

Abstrak: Kertas ini secara inovatif mencadangkan untuk menggunakan ambang dinamik untuk menapis sampel yang tidak berlabel bagi Kaedah pembelajaran separa penyeliaan (SSL), kami mengubah rangka kerja latihan separa penyeliaan pembelajaran, menambah baik strategi pemilihan sampel tidak berlabel semasa proses latihan, dan memilih sampel tidak berlabel yang lebih berkesan untuk latihan melalui ambang yang berubah secara dinamik. Dash ialah strategi umum yang boleh disepadukan dengan mudah dengan kaedah pembelajaran separa penyeliaan sedia ada .

Secara eksperimen, kami telah mengesahkan sepenuhnya keberkesanannya pada set data standard seperti CIFAR-10, CIFAR-100, STL-10 dan SVHN. Secara teori, kertas itu membuktikan sifat penumpuan algoritma Dash dari perspektif pengoptimuman bukan cembung.

Rangka kerja latihan Fixmatch

Cadangan: Rangka kerja pembelajaran separa seliaan sumber terbuka Dharma Academy menyegarkan banyak SOTA.

Kertas 4: StyleGAN-T: Membuka Kunci Kuasa GAN untuk Sintesis Teks-ke-Imej Skala Besar yang Pantas

• Pengarang: Axel Sauer et al
• Alamat kertas: https://arxiv.org/pdf/2301.09515.pdf

Ringkasan: Adakah model resapan yang terbaik dalam penjanaan teks-ke-imej? Tidak semestinya, StyleGAN-T baharu yang dilancarkan oleh NVIDIA dan lain-lain menunjukkan bahawa GAN masih berdaya saing . StyleGAN-T menjana imej resolusi 512×512 dalam masa 0.1 saat sahaja:

Disyorkan: GAN sudah kembali? NVIDIA menghabiskan 64 A100 latihan StyleGAN-T, yang mengatasi model penyebaran.

Kertas 5: Klasifikasi Berbilang Label Perbendaharaan Kata Terbuka melalui Pemindahan Pengetahuan Pelbagai Modal

• Pengarang: Sunan He et al
• Alamat kertas: https://arxiv.org/abs/2207.01887

Abstrak: Dalam sistem klasifikasi multi-label, kita sering menemui sejumlah besar label yang belum muncul dalam set latihan. dan masalah yang mencabar.

Untuk tujuan ini, Tencent Youtu Lab, bersama-sama dengan Universiti Tsinghua dan Universiti Shenzhen, mencadangkan rangka kerja MKT berdasarkan pemindahan pengetahuan pelbagai mod , menggunakan keupayaan padanan teks imej yang berkuasa model pra-latihan teks imej untuk mengekalkan maklumat ketekalan visual utama dalam pengelasan imej, dan merealisasikan klasifikasi Perbendaharaan Kata Terbuka bagi adegan berbilang label. Karya ini telah dipilih untuk AAAAI 2023 Lisan.

Perbandingan kaedah ML-ZSL dan MKT.

Disyorkan: AAAI 2023 Oral | Bagaimana untuk mengenal pasti tag yang tidak diketahui? Rangka kerja pemindahan pengetahuan multimodal untuk mencapai SOTA baharu.

Kertas 6: ChatGPT bukan semua yang anda perlukan Tinjauan Seni Terkini model AI Generatif yang besar

• Pengarang: Roberto Gozalo-Brizuela et al
• Alamat kertas: https://arxiv.org/abs/2301.04655

Abstrak: Dalam dua tahun lalu, sejumlah besar model generatif berskala besar telah muncul dalam bidang AI, seperti ChatGPT atau Resapan Stabil. Khususnya, model ini mampu melaksanakan tugas seperti sistem menjawab soalan umum atau mencipta imej artistik secara automatik, yang merevolusikan banyak bidang.

Dalam kertas ulasan baru-baru ini yang dikemukakan oleh penyelidik di Universiti Kepausan Comillas di Sepanyol, penulis cuba menerangkan kesan AI generatif pada banyak model semasa secara ringkas cara, Dan klasifikasikan model AI generatif utama yang dikeluarkan baru-baru ini .

Ikon Klasifikasi.

Cadangan: ChatGPT bukan semua yang anda perlukan, ulasan satu artikel tentang 9 jenis model AI generatif daripada 6 syarikat utama.

Kertas 7: ClimaX: Model asas untuk cuaca dan iklim

• Pengarang: Tung Nguyen et al
• Alamat kertas: https://arxiv.org/abs/2301.10343

Abstrak: Kumpulan penyelidikan Sistem Autonomi dan Robotik Microsoft dan Pusat Kecerdasan Saintifik Penyelidikan Microsoft telah membangunkan ClimaX, pembelajaran mendalam yang fleksibel dan berskala untuk Model sains cuaca dan iklim boleh dilatih menggunakan set data heterogen yang merangkumi pembolehubah berbeza, liputan spatiotemporal dan asas fizikal.

ClimaX memanjangkan seni bina Transformer dengan pengekodan baru dan blok pengagregatan yang membolehkan penggunaan pengiraan tersedia dengan cekap sambil mengekalkan keluasan. ClimaX dipralatih menggunakan objektif pembelajaran yang diselia sendiri pada set data iklim yang diperoleh daripada CMIP6. ClimaX yang telah dilatih kemudiannya boleh diperhalusi untuk menyelesaikan pelbagai tugas iklim dan cuaca, termasuk yang melibatkan pembolehubah atmosfera dan skala spatiotemporal yang tidak dilihat semasa pralatihan.

Seni bina ClimaX yang digunakan semasa pra-latihan

Disyorkan: Pasukan Microsoft mengeluarkan model asas cuaca dan iklim ClimaX berasaskan AI yang pertama.

Atas ialah kandungan terperinci Latihan NVIDIA 64 A100 StyleGAN-T; kajian semula sembilan jenis model AI generatif. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!