NVIDIA 64 A100 Training StyleGAN-T; Überprüfung von neun Arten generativer KI-Modelle

目录:

1. Quantenmaschinelles Lernen über Kernel-Methoden hinaus
2. Tragbares In-Sensor-Reservoir-Computing mit optoelektronischen Polymeren mit Ladungstransporteigenschaften durch den Raum für Multitasking-Lernen
3. Dash: Semi -Überwachtes Lernen mit dynamischem Schwellenwert
4. StyleGAN-T: Erschließung der Leistungsfähigkeit von GANs für eine schnelle Text-zu-Bild-Synthese in großem Maßstab
5. Multi-Label-Klassifizierung mit offenem Wortschatz über multimodalen Wissenstransfer
6. ChatGPT ist nicht alles, was Sie brauchen. Eine Übersicht über große generative KI-Modelle auf dem neuesten Stand der Technik. ClimaX: Ein Grundlagenmodell für Wetter und Klima
论文 1: Quantenmaschinelles Lernen jenseits von Kernel-Methoden
8. 作者: Sofiene Jerbi 等

论文地址: https://www.nature.com/articles/ s41467-023-36159- ja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:线性量子模型

"的实验相关资源需求.基于经典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多的量子比特才能解决某些学习任务,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，以及对不同模型与 NISQ 约束的兼容性的见解.

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。

论文 2: Tragbarer In-Sensor Reservoir-Computing unter Verwendung optoelektronischer Polymere mit Ladungstransporteigenschaften durch den Raum für Multitasking-Lernen /s41467-023-36205-9也是人工智能的主要目标.然而,传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,

中科院和香港大学的研究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

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、衰减记忆和回波状态特性.

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 %, 88,18 % und 91,76 %

Vergleich der Photostromreaktion von herkömmlichen Halbleitern und p-NDI sowie detaillierte Halbleiterdesignprinzipien des RC-Systems im Sensor.

Empfohlen: Geringer Energieverbrauch und geringer Zeitaufwand: Das Team der Chinesischen Akademie der Wissenschaften und der Universität Hongkong nutzte eine neue Methode, um Multitasking-Lernen für In-Reservoir-Berechnungen in tragbaren Sensoren durchzuführen.

Aufsatz 3: Dash: Semi-Supervised Learning with Dynamic Thresholding

• Autor: Yi / xu21e/xu21e.pdf
• Zusammenfassung: Dieses Papier schlägt auf innovative Weise eine Methode zur Verwendung dynamischer Schwellenwerte vor, um unbeschriftete Proben für halbüberwachtes Lernen (SSL) zu filtern. Die Auswahlstrategie für unbeschriftete Proben während des Trainingsprozesses wurde verbessert und durch dynamisch ändernde Schwellenwerte wurden effektivere unbeschriftete Proben für das Training ausgewählt.

Dash ist eine allgemeine Strategie, die leicht in bestehende halbüberwachte Lernmethoden integriert werden kann

. Durch Experimente haben wir seine Wirksamkeit anhand von Standarddatensätzen wie CIFAR-10, CIFAR-100, STL-10 und SVHN vollständig überprüft. Theoretisch beweist der Artikel die Konvergenzeigenschaften des Dash-Algorithmus aus der Perspektive der nichtkonvexen Optimierung.

Fixmatch-Trainingsframework

Empfohlen: Das halbüberwachte Open-Source-Lernframework Dash, erfrischend viele. SOTA s.

Aufsatz 4: StyleGAN-T: Die Leistungsfähigkeit von GANs für die schnelle Text-zu-Bild-Synthese im großen Maßstab erschließen

Autor: Axel Sauer et al.

• Anschrift des Aufsatzes: https://arxiv.org/pdf/2301.09515.pdf
• Zusammenfassung: Ist das Diffusionsmodell das beste bei der Text-zu-Bild-Generierung? Nicht unbedingt,

Das neue StyleGAN-T, das von NVIDIA und anderen eingeführt wurde, zeigt, dass GAN immer noch wettbewerbsfähig ist

. StyleGAN-T generiert Bilder mit einer Auflösung von 512×512 in nur 0,1 Sekunden:

Empfehlung: GAN ist zurück? NVIDIA investierte 64 A100 in das Training von StyleGAN-T, das das Diffusionsmodell übertraf.

Papier 5: Open-Vocabulary Multi-Label Classification via Multi-Modal Knowledge Transfer

Autor: Sunan He et al

• Papieradresse: https://arxiv.org /abs/2207.01887
• Zusammenfassung: In Klassifizierungssystemen mit mehreren Etiketten stoßen wir häufig auf eine große Anzahl von Etiketten, die nicht im Trainingssatz enthalten sind. Die genaue Identifizierung dieser Etiketten ist sehr wichtig und äußerst wichtig herausforderndes Problem.

Zu diesem Zweck hat Tencent Youtu Lab zusammen mit der Tsinghua University und der Shenzhen University ein Framework MKT

vorgeschlagen, das auf multimodalem Wissenstransfer basiert und die leistungsstarken Bild-Text-Matching-Funktionen des Bild-Text-Pre nutzt -Trainingsmodell, Bewahren Sie wichtige visuelle Konsistenzinformationen bei der Bildklassifizierung und implementieren Sie die Open Vocabulary-Klassifizierung von Szenen mit mehreren Etiketten. Diese Arbeit wurde für AAAI 2023 Oral ausgewählt.

Vergleich der ML-ZSL- und MKT-Methoden.

Empfohlen: AAAI 2023 Oral |. Multimodales Wissenstransfer-Framework zur Erreichung neuer SOTA.

Paper 6: ChatGPT ist nicht alles, was Sie brauchen. ###### 🎜🎜 ## 🎜🎜 ## 🎜🎜#Autor: Roberto Gozalo-Brizula et al.#🎜🎜 ## 🎜🎜 ## 🎜🎜 ## 🎜🎜 ## 🎜🎜# Papieradresse: https ://arxiv.org/abs/2301.04655

• Zusammenfassung: letzte zwei Im Jahr 2017 a Im KI-Bereich sind zahlreiche groß angelegte generative Modelle erschienen, beispielsweise ChatGPT oder Stable Diffusion. Konkret sind diese Modelle in der Lage, Aufgaben wie allgemeine Frage-Antwort-Systeme zu übernehmen oder automatisch künstlerische Bilder zu erstellen, die viele Bereiche revolutionieren.
• In einem kürzlich von Forschern der Päpstlichen Universität Comillas in Spanien eingereichten Übersichtsartikel versuchte der Autor, generative KI-Paare prägnant zu beschreiben Art und Weise Die Auswirkungen vieler aktueller Modelle und die Klassifizierung der wichtigsten kürzlich veröffentlichten generativen KI-Modelle
.

# 🎜 🎜#Kategoriesymbol.

Empfohlen:

ChatGPT ist nicht alles, was Sie brauchen, ein Artikel mit einer Übersicht über 9 Arten generativer KI-Modelle aus 6 großen Unternehmen.

Papier 7: ClimaX: Ein Grundlagenmodell für Wetter und Klima 🎜#Autor: Tung Nguyen et al#🎜 🎜#

Papieradresse: https://arxiv.org/ abs/2301.10343#🎜 🎜#

Zusammenfassung: Microsoft Autonomous Systems and Robots Das Forschungsteam hat zusammen mit dem Center for Scientific Intelligence bei Microsoft Research ClimaX entwickelt , ein flexibles und skalierbares Deep-Learning-Modell für die Wetter- und Klimawissenschaft

, das über verschiedene Variablen, räumlich-zeitliche Abdeckung und physikalische Basis hinweg verwendet werden kann. Heterogene Datensätze für das Training.
• ClimaX erweitert die Transformer-Architektur um neuartige Codierungs- und Aggregationsblöcke, die eine effiziente Nutzung der verfügbaren Berechnungen ermöglichen und gleichzeitig die Allgemeingültigkeit wahren. ClimaX wird mithilfe eines selbstüberwachten Lernziels anhand von aus CMIP6 abgeleiteten Klimadatensätzen vorab trainiert. Das vorab trainierte ClimaX kann dann fein abgestimmt werden, um eine Vielzahl von Klima- und Wetteraufgaben zu lösen, einschließlich solcher, die atmosphärische Variablen und raumzeitliche Skalen betreffen, die während des Vortrainings nicht gesehen wurden.

ClimaX-Architektur, die während des Vortrainings verwendet wird#🎜🎜 # Empfohlen: Das Microsoft-Team veröffentlicht das erste KI-basierte Wetter- und Klima-Basismodell ClimaX.

Das obige ist der detaillierte Inhalt vonNVIDIA 64 A100 Training StyleGAN-T; Überprüfung von neun Arten generativer KI-Modelle. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!