Публикации по теме deep-learning

Публикации по теме 'deep-learning'

Варианты использования Label Noise в машинном обучении, часть 3

Когда привилегированная информация объясняет шум от меток? (arXiv) Автор: Гильермо Ортис-Хименес , Марк Колье , Анант Навальгария , Александр Д’Амур , Джесси Берент , Родольф Дженаттон , Эфросини Кокиопулу . Аннотация. Недавно было показано, что использование привилегированной информации (PI) или функций, доступных во время обучения, но не во время тестирования, является эффективным методом устранения шума меток. Однако причины его эффективности недостаточно изучены. В этом..

Как работает суррогатное моделирование, часть 1 (искусственный интеллект)

Суррогатное моделирование на основе активного обучения для эффективного моделирования параметрических нелинейных систем (arXiv) Автор: Harshit Kapadia , Lihong Feng , Peter Benner . Аннотация: Когда требуются повторные оценки различных конфигураций параметров высокоточной физической модели, желательны суррогатные методы моделирования, основанные на уменьшении порядка модели. В отсутствие основных уравнений, описывающих динамику, нам необходимо построить параметрическую суррогатную..

Работа с различными структурами представления в машинном обучении, часть 7

UniMC: унифицированная платформа для долговременного обмена памятью с помощью обучения представлению релевантности (arXiv) Автор: Кан Чжао , Вэй Лю , Цзянь Луань , Минглей Гао , Ли Цянь , Ханьлинь Тэн , Бин Ван . Аннотация: Разговор с долговременной памятью в открытом домене может установить долгосрочную близость с людьми, и ключом к этому является способность понимать и запоминать информацию об истории долговременного диалога. Существующие работы объединяют несколько моделей..

Распределенное полнографовое обучение графовых нейронных сетей с помощью SAR

Авторы Бартломей Гаврих , Кацпер Пьеткун , Хешам Мостафа Введение В области графовых нейронных сетей (GNN) обучающие модели на больших графах создают проблемы с точки зрения ограничений памяти и эффективной связи в распределенных средах. Для решения этих проблем была представлена SAR, чистая библиотека Python, созданная поверх DGL (библиотека глубокого графа). SAR обеспечивает распределенное обучение GNN на больших графах, поддерживая как полное пакетное обучение, так и..

Как далеко мы продвинулись с федеративным обучением, часть 1 (машинное обучение)

Начало работы с федеративным обучением Федеративное обучение Этот сайт создан группой федеративного обучения Google AI. Сюжет Люси Беллвуд и Скотта МакКлауда. Искусство… federated.withgoogle.com Объединенное обучение на графиках, отличных от IID, посредством обмена структурными знаниями (arXiv) Автор: Юэ Тан , Исинь Лю , Годун Лун , Цзин Цзян , Цинхуа Лу , Чэнци Чжан Аннотация : Графовые нейронные сети (GNN)..

ВСТРЕЧАЙТЕСЬ С ВЕДУЩИМИ МИРОВЫМИ ПИОНЕРАМИ ИИ В «КРЕМНИЙНОЙ ДОЛИНЕ ГЛУБОКОГО ОБУЧЕНИЯ»

RE • WORK впервые проведет набирающий популярность Саммит по глубокому обучению в Монреале, Канада и рады объявить о присутствии Йошуа Бенжио, Яна ЛеКуна и Джеффри Хинтона, которые появятся в Панели пионеров. поделиться своим опытом в качестве основоположников революции глубокого обучения. Мало того, что они недавно были названы Forbes 6 лучших мыслителей в области искусственного интеллекта и машинного обучения », но и эти лидеры в этой области несут ответственность за развитие..

Может ли глубокое обучение сделать другие алгоритмы машинного обучения устаревшими?

Что такое глубокое обучение? Глубокое обучение — это своего рода функция искусственного интеллекта, которая имитирует точную работу человеческого мозга при обработке данных и создании шаблонов, используемых при принятии решений. По сути, это часть машинного обучения. Алгоритмы глубокого обучения в основном используют такие сети, которые способны обучаться без присмотра на неструктурированных или немаркированных данных. Вот почему глубокое обучение может сделать другие алгоритмы..