微软推出工具解决人工智能幻觉问题 引发专家担忧
科技巨头微软推出了一项名为 Correction 的服务，用于修复 AI 生成的错误数据。尽管微软将其宣传为增强 AI 可靠性的一种方式，但专家警告称，幻觉是 AI 模型固有的。微软推出了一项名为 Correction 的新服务，旨在解决...
人工智能 第5页
神经网络的通用和可扩展并行化
扩展神经网络，无论是所使用的训练数据量、模型大小还是所使用的计算量，对于提高许多现实世界的机器学习应用（如计算机视觉、语言理解和神经机器翻译）中的模型质量都至关重要。这反过来又促使最近的研究仔细审查在成功扩展神经模型中起关键作用的因素。虽然...
可解释的深度学习时间序列预测
多期预测，即预测未来多个时间步骤中的相关变量，是时间序列机器学习中的关键挑战。大多数现实世界数据集都具有时间成分，预测未来可以释放巨大价值。例如，零售商可以利用未来销售来优化其供应链和促销活动，投资经理有兴趣预测金融资产的未来价格以最大限度...
利用数据集提炼更有效地训练机器学习模型
谷歌研究院研究工程师和高级研究员 Jaehoon Lee为了使机器学习 (ML) 算法有效，必须从（通常）大量训练数据中提取有用的特征。然而，由于在如此大的数据集上进行训练的成本（无论是计算要求还是挂钟时间）很高，这个过程可能具有挑战性。蒸...
利用稀疏混合专家扩展视野
过去几十年来，深度学习的进步是由几个关键因素推动的。借助少量简单但灵活的机制（即卷积或序列注意等归纳偏差）、越来越大的数据集和更专业的硬件，神经网络现在可以在各种任务上取得令人印象深刻的结果，例如图像分类、机器翻译和蛋白质折叠预测。然而，使...
学习按任务进行路由以实现高效推理
大型语言模型的扩展已显著提高了自然语言理解 ( T5 )、生成 ( GPT-3 ) 和多语言神经机器翻译 ( M4 ) 的质量。构建更大模型的一种常用方法是增加深度（层数）和宽度（层维数），即简单地扩大网络的现有维度。这种密集模型采用输入序...
StylEx 介绍：一种用于分类器可视化解释的新方法
神经网络可以出色地执行某些任务，但了解它们如何做出决策（例如，确定图像中的哪些信号导致模型将其确定为某一类而不是另一类）通常是一个谜。解释神经模型的决策过程可能会在某些领域产生重大社会影响，例如医学图像分析和自动驾驶，在这些领域，人类监督至...
你的医学图像分类器知道它不知道什么吗？
近年来，深度机器学习 (ML) 系统在医学图像分析 领域取得了巨大成功。其中一个主要因素是能够获得丰富的标记数据集，这些数据集可用于训练高效的监督式深度学习模型。然而，在现实世界中，这些模型可能会遇到表现出罕见疾病的样本，这些疾病单独出现的...
使用规则表示控制神经网络
随着训练数据的大小和覆盖范围的增加，深度神经网络(DNN)能够提供更准确的结果。虽然投资高质量、大规模标记数据集是改进模型的一种途径，但另一种途径是利用先验知识（简称为“规则”）——推理启发式、方程、联想逻辑或约束。考虑一个常见的物理学例子...
将差分隐私应用于大规模图像分类
机器学习 (ML) 模型在提升各种消费产品（从推荐到自动图像分类）的性能方面正变得越来越有价值。然而，尽管聚合了大量数据，但理论上模型还是有可能对训练集中各个条目的特征进行编码。例如，在受控环境中的实验表明，使用电子邮件数据集训练的语言模型...