目錄：
論文1：Quantum machine learning beyond kernel methods
##摘要：本文中， 來自奧地利因斯布魯克大學的研究團隊確定了一個建設性框架，該框架捕獲所有基於參數化量子電路的標準模型：線性量子模型。
研究人員展示了使用量子資訊理論中的工具如何將資料重新上傳電路有效地映射到量子希爾伯特空間中線性模型的更簡單圖像中。此外，根據量子位元數和需要學習的資料量來分析這些模型的實驗相關資源需求。基於經典機器學習的最新結果，證明線性量子模型必須使用比資料重新上傳模型多得多的量子位元才能解決某些學習任務，而核方法還需要多得多的資料點。
研究結果提供了對量子機器學習模型的更全面的了解，以及對不同模型與 NISQ 限制的兼容性的見解。
這項工作中研究的量子機器學習模型。
推薦：
#論文網址：https://www.nature.com/articles/s41467 -023-36205-9
#摘要：感測器內多任務學習不僅是生物視覺的關鍵優點，也是人工智慧的主要目標。然而，傳統的矽視覺晶片存在大量時間以及能量開銷。此外，訓練傳統的深度學習模式在邊緣設備上既不可擴展也不可負擔。
本文中，
###中科院和香港大學的研究團隊提出了一種材料演算法協同設計來模擬人類視網膜的學習範例，並且低開銷### ###。基於具有有效激子解離和貫穿空間電荷傳輸特性的瓶刷形半導體p-NDI，開發了一種基於可穿戴晶體管的動態感測器儲層計算系統，該系統在不同任務上表現出優異的可分離性、衰減記憶和回波狀態特性。 ############與憶阻有機二極體上的「讀出功能」結合，RC 可識別手寫字母和數字，並對各種服裝進行分類，準確率分別為98.04%、 88.18% 和91.76%（高於所有已報告的有機半導體）。 ######
傳統半導體和 p-NDI 的光電流響應比較，以及感測器內 RC 系統的詳細半導體設計原理。
建議：低能耗低時耗，中科院 & 香港大學團隊使用新方法進行多任務學習的可穿戴感測器內儲層運算。
論文3：Dash: Semi-Supervised Learning with Dynamic Thresholding
#摘要：這篇論文創新地提出用動態閾值（dynamic threshold）的方式篩選無標籤樣本進行半監督學習（semi-supervised learning，SSL）的方法，我們改造了半監督學習的訓練框架，在訓練過程中對無標籤樣本的選擇策略進行了改進，透過動態變化的閾值來選擇更有效的無標籤樣本進行訓練。 Dash 是一個通用策略，可以輕鬆與現有的半監督學習方法整合。
實驗方面，我們在 CIFAR-10、CIFAR-100、STL-10 和 SVHN 等標準資料集上充分驗證了其有效性。理論方面，論文從非凸優化的角度證明了 Dash 演算法的收斂性質。
Fixmatch 訓練框架
推薦：達摩院開源半監督學習框架Dash，刷新多項SOTA。
論文4：StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-Image Synthesis
摘要：擴散模型在文字到圖像生成方面是最好的嗎？不見得，英偉達等推出的新款 StyleGAN-T，結果顯示 GAN 仍具有競爭力。 StyleGAN-T 只需 0.1 秒即可產生 512×512 解析度影像：
##推薦：GAN 強勢歸來？英偉達耗費 64 個 A100 訓練 StyleGAN-T，優於擴散模型。
論文5：Open-Vocabulary Multi-Label Classification via Multi-Modal Knowledge Transfer
#摘要：在多標籤分類系統中，經常遇到大量在訓練集中未曾出現的標籤，如何準確地識別這些標籤是非常重要也極富挑戰性的問題。
為此，騰訊優圖實驗室聯合清華大學和深圳大學，提出了一個基於多模態知識遷移的框架MKT，利用圖文預訓練模型強大的圖文匹配能力，保留影像分類中關鍵的視覺一致性訊息，實現多標籤場景的Open Vocabulary 分類。本工作已入選 AAAI 2023 Oral。
#
ML-ZSL 與 MKT 方法比較。
推薦：AAAI 2023 Oral | 如何辨識未知標籤？多模態知識遷移框架實現新 SOTA。
論文6：ChatGPT is not all you need. A State of the Art Review of large Generative AI models
#摘要：過去兩年，AI 領域裡已經出現大量大型生成模型，如ChatGPT 或Stable Diffusion。具體而言，這些模型能夠執行像通用問答系統或自動創建藝術圖像等任務，這些任務正在徹底改變許多領域。
在近日由西班牙Comillas Pontifical University 研究人員提交的綜述論文中，作者試圖以簡潔的方式描述生成式AI 對當前許多模型的影響，並對最近發布的主要生成式AI 模型進行分類。
分類圖示。
推薦：ChatGPT is not all you need，一文綜述 6 大公司 9 類生成式 AI 模型。
論文7：ClimaX: A foundation model for weather and climate
#摘要：微軟自主系統與機器人研究小組以及微軟研究院科學智能中心開發了ClimaX，這是一種靈活且可推廣的天氣和氣候科學深度學習模型，可以使用跨越不同變數、時空覆蓋和物理基礎的異質資料集進行訓練。
ClimaX 使用新穎的編碼和聚合區塊擴展了 Transformer 架構，這些區塊允許有效使用可用運算，同時保持通用性。 ClimaX 在源自 CMIP6 的氣候資料集上使用自我監督學習目標進行了預訓練。然後可以對預先訓練的 ClimaX 進行微調，以解決廣泛的氣候和天氣任務，包括那些涉及預訓練期間看不到的大氣變量和時空尺度的任務。
在預訓練期間使用的ClimaX 架構
推薦：微軟團隊發布第一個基於AI 的天氣和氣候基礎模型ClimaX。
以上是英偉達64個A100訓練StyleGAN-T；九類生成式AI模型綜述的詳細內容。更多資訊請關注PHP中文網其他相關文章！
