Today's Paper | Streamline BERT; yüz değişimi; 3D nokta bulutu; DeepFakes ve 5G vb.
Akademik gençlerin en yeni araştırma sonuçlarını ve teknolojilerini daha iyi öğrenmelerine yardımcı olmak için, AI Technology Review ve Paper Research Institute (paper.yanxishe.com) [Paper.yanxishe.com) [Paper Today] sütununu başlattı ve her gün sizin için yapay zekanın sınırlarını seçeceğiz. Akademik belgeler, çalışma referansınız içindir. Aşağıdakiler bugünün seçili içeriğidir
içindekiler
-
ALBERT: DİL TEMSİLCİLERİNİN KENDİNE DENETİMLİ ÖĞRENMESİ İÇİN BİR KÜÇÜK BERT
-
FaceShifter: Yüksek Doğruluk ve Oklüzyon Farkında Yüz Değiştirmeye Doğru
-
3B Nokta Bulutları için Derin Öğrenme: Bir Araştırma
-
Pekiştirmeli Öğrenmeyle Nedensel Keşif
-
5G ve Ötesinde Çoklu Erişimli Uç Bilişim Araştırması: Temel Bilgiler, Teknoloji Entegrasyonu ve Son Teknoloji
-
İçki İçen Filozoflardan Aylak Robotlara
-
DeepFakes ve Ötesi: Yüz Manipülasyonu ve Sahte Algılama Üzerine Bir Araştırma
-
Stokastik Gradyan Langevin Dinamikleri ile Bayes Öğrenimi
-
Takviyeli öğrenmeyle hesaplamalı model keşfi
-
Kuantum Tartışmalı Makine Öğrenimi
ALBERT: Dil temsilinin kendi kendine denetimli öğrenimi için basitleştirilmiş bir BERT
Bildiri Başlığı: ALBERT: DİL TEMSİLCİLERİNİN KENDİNE DENETİMİNDE ÖĞRENMESİ İÇİN BİR LİTE BERT
Yazar: ZhenzhongLan / MingdaChen / SebastianGoodman
Gönderme süresi: 2018/10/30
Kağıda bağlantı: https://paper.yanxishe.com/review/8078
Önerilen neden: Bert modeli, doğal dili anlamanın eğitim öncesi dönemini açmıştır. Anlamsal analizle ilgili birçok görev bert modeli ile geliştirilebilir, ancak bu aynı zamanda bazı problemleri de beraberinde getirir.Çok fazla bert parametresi vardır ve model çok karmaşıktır. Daha büyük bilgi işlem gücü desteklenebildiği için bu büyük bir soruna yol açmıştır.Modelin nasıl küçültüleceği, bellek tüketiminin nasıl azaltılacağı ve eğitim süresinin nasıl azaltılacağı şimdiki sorun olarak adlandırılır ve aynı zamanda gerekli bir yöndür. Albert bu sorunu resmen çözdü. Bellek tüketimini azaltmak ve BERT eğitim hızını artırmak için iki parametre azaltma tekniği önerilmektedir. Sadece önceki sorunu çözmekle kalmadı, aynı zamanda bu eğitim öncesi model, önceki bert eğitim öncesi modelden daha etkilidir ve birçok görevde aşılmıştır.
FaceShifter: Yüksek doğruluk ve oklüzyon bilinciyle yüz değiş tokuşuna doğru
Kağıt Adı: FaceShifter: Yüksek Doğruluk ve Tıkanıklığa Doğru Yüz Değiştirme
Yazar: Li Lingzhi / Bao Jianmin / Yang Hao / Chen Dong / Wen Fang
Gönderme süresi: 2019/12/31
Kağıt bağlantısı: https://paper.yanxishe.com/review/8077
Tavsiye nedeni: Bu Pekin Üniversitesi ile Microsoft Asya Araştırma Enstitüsü arasında ortak bir çalışmadır ve yüz değişimi konusunu ele almaktadır.
Bu makale, yüksek doğruluk ve oklüzyon bilinçli yüz değişimi sağlamak için FaceShifter adlı yeni bir iki aşamalı çerçeve önermektedir. Değiştirilen yüzleri sentezlerken yalnızca hedef görüntünün sınırlı bilgilerini kullanan birçok mevcut yüz değiş tokuş çalışmasının aksine, FaceShifter ilk aşamasında hedef nitelikleri tamamen uyarlamalı olarak kullanarak ve entegre ederek, değiş tokuş edilen yüzleri yüksek doğrulukta oluşturur. Bu makale, çok seviyeli hedef yüz özniteliklerini çıkarmak için yeni bir öznitelik kodlayıcı önermekte ve uyarlamalı olarak entegre etmek için dikkatle tasarlanmış uyarlanabilir dikkat denormalizasyon katmanına sahip yeni bir oluşturucu önermektedir. Kimlik ve yüz bileşik öznitelikleri. FaceShifter, zorlu yüz kapanmasını çözmek için yeni bir sezgisel hata onayı iyileştirme ağını içeren ikinci bir aşama ekler. Herhangi bir manuel açıklama olmadan kendi gözetiminde anormal alanları kurtarmak için eğitilmiştir. Doğal yüzler üzerinde yapılan çok sayıda deney, diğer son teknoloji yöntemlerle karşılaştırıldığında, FaceShifter'ın değişim sonuçlarının yalnızca algısal olarak daha çekici olmadığını, aynı zamanda daha iyi bir kimliği koruduğunu gösteriyor.
3B Nokta Bulutları Üzerine Derin Öğrenme Araştırması
Bildiri Başlığı: 3B Nokta Bulutları için Derin Öğrenme: Bir Araştırma
Yazar: Guo Yulan / Wang Hanyun / Hu Qingyong / Liu Hao / Liu Li / Bennamoun Mohammed
Gönderme süresi: 2019/12/27
Kağıda bağlantı: https://paper.yanxishe.com/review/8076
Tavsiye nedeni: Bu, Ulusal Savunma Teknolojisi Üniversitesi tarafından hazırlanan 3B nokta bulutu derin öğreniminin araştırma özetidir.
Nokta bulutu öğrenimi, bilgisayarla görme, otonom sürüş ve robotik gibi birçok alanda yaygın olarak kullanılmaktadır. Yapay zeka alanındaki ana teknoloji olan derin öğrenme, çeşitli iki boyutlu görme problemlerini çözmek için başarıyla kullanılmıştır. Bununla birlikte, 3B nokta bulutlarının işlenmesindeki bazı benzersiz zorluklar nedeniyle, nokta bulutları alanındaki derin öğrenme teknolojisi hala gelişimin erken aşamalarında. Gelecekteki nokta bulutu öğrenim araştırmasını teşvik etmek için bu makale, nokta bulutu derin öğrenme yöntemlerinin araştırma ilerlemesini kapsamlı bir şekilde gözden geçirmektedir. Bu yöntemler temel olarak 3B şekil sınıflandırması, 3B hedef algılama ve izleme ve 3B nokta bulutu segmentasyonunu içerir. Ek olarak, bu makale aynı zamanda kamuya açık bazı veri setlerinin karşılaştırma sonuçlarını gösterir ve anlayışlı gözlemler ve aydınlatıcı gelecek araştırma yönlerini önerir.
Takviye öğrenmeye dayalı nedensel keşif
Kağıt adı: Pekiştirmeli Öğrenmeyle Nedensel Keşif
Yazar: Zhu Shengyu / Ng Ignavier / Chen Zhitang
Gönderme süresi: 2019/6/11
Kağıda bağlantı: https://paper.yanxishe.com/review/8075
Öneri nedeni: Bu makale, Huawei'nin Nuh'un Gemisi Laboratuvarı tarafından ICLR 2020 tarafından kabul edilen tam bir makaledir. Nedensel araştırmada nedensel keşif sorununu ele almaktadır.
Bir sonraki potansiyel sıcak nokta olarak nedensel araştırma, makine öğrenimi ve derin öğrenme alanında yaygın ilgi gördü. Nedensellik araştırmasındaki klasik bir problem, nedensel keşif problemidir, yani pasif olarak gözlemlenebilir verilerden potansiyel nedensel grafik yapısını keşfetmek. Bu makale, puanlama yönteminin nedensel keşif algoritmasına pekiştirmeli öğrenme uygular, öz-dikkat mekanizmasına dayalı kodlayıcı-kod çözücü sinir ağı modeli aracılığıyla veriler arasındaki ilişkiyi araştırır, nedensel yapının koşullarını birleştirir ve strateji gradyanının takviye öğrenme algoritmasını kullanır. Sinir ağı parametrelerini eğitin ve sonunda nedensel grafik yapısını elde edin. Bu yöntem, orta ölçekli grafiklerde bazı geleneksel nedensel keşif algoritmalarından ve son gradyan tabanlı algoritmalardan daha iyi performans gösterir ve herhangi bir puanlama işlevi ile çok esnek bir şekilde birlikte kullanılabilir.
5G'ye genel bakış ve gelecekteki çoklu erişim uç bilgi işlem: temel bilgi, teknoloji entegrasyonu ve en son teknoloji
Bildiri Başlığı: 5G ve Ötesinde Çoklu Erişimli Uç Hesaplama Araştırması: Temel Bilgiler, Teknoloji Entegrasyonu ve Son Teknoloji
Yazar: Pham Quoc-Viet / Fang Fang / Ha Vu Nguyen / Piran Md Jalil / Le Mai / Le Long Bao / Hwang Won-Joo / Ding Zhiguo.
Gönderme süresi: 2019/6/20
Kağıda bağlantı: https://paper.yanxishe.com/review/8074
Önerilen neden: Bu, kenar hesaplama ile ilgili bir inceleme belgesidir.
Yeni bilgi işlem yoğun uygulamaların ortaya çıkması ve Nesnelerin İnterneti (IoT) vizyonuyla hareket eden, ortaya çıkan 5G ağlarının trafik ve bilgi işlem gereksinimlerinde benzeri görülmemiş bir büyüme ile karşı karşıya kalacağı öngörülebilir. Ancak, çoğu son kullanıcı sınırlı depolama kapasitesine ve sınırlı işlem gücüne sahiptir, bu nedenle, kaynakları kısıtlı kullanıcılar üzerinde yoğun hesaplama gerektiren uygulamaların nasıl çalıştırılacağı son zamanlarda doğal bir sorun haline gelmiştir. Mobil Uç Bilişim (MEC), gelişmekte olan beşinci nesil mobil ağda anahtar bir teknolojidir. Yoğun bilgi işlem gerektiren uygulamaları barındırarak buluta göndermeden önce büyük verileri işleyebilir ve kablosuz erişim ağında bulut bilişim işlevleri sağlayabilir. Mobil kaynakları optimize etmek için. Mobil uç bilgi işlem, sürücüsüz araçlar, artırılmış gerçeklik, robotik ve sürükleyici medya gibi kesinlikle gerçek zamanlı yanıt gerektiren çeşitli uygulamaları destekler. 5G ağlarında MEC'in başarılı bir şekilde gerçekleştirilmesi henüz emekleme aşamasındadır ve akademi ve endüstrinin sürekli çabalarını gerektirir. Bu inceleme ilk olarak MEC teknolojisine ve potansiyel kullanım durumlarına ve uygulamalarına genel bir bakış sağlar. Daha sonra, MEC'in 5G ve daha yüksek sürümlerde konuşlandırılacak yeni teknolojilerle entegrasyonuna ilişkin en son araştırmanın ana hatlarını çiziyor. Bu makale aynı zamanda uç hesaplama ve açık kaynak etkinlikleri için test platformunu ve deneysel değerlendirmeyi özetler, en son araştırma çalışmasından öğrenilen dersleri daha ayrıntılı olarak özetler ve MEC araştırmalarının zorluklarını ve gelecekteki olası yönlerini tartışır.
daha fazla okuma
Sınırlı alan nedeniyle önerilen kalan beş kağıt, okumaya devam etmek için lütfen aşağıdaki QR kodunu tarayın
-
İçki filozofundan dolaşan robota
Bildiri Başlığı: İçen Filozoflardan Gezici Robotlara
-
DeepFakes ve daha fazlası: Yüz manipülasyonu ve sahte algılama üzerine bir araştırma incelemesi
Bildiri Başlığı: DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection
-
Stokastik gradyan Langevin dinamiklerine dayalı Bayes öğrenimi
Kağıt adı: Stokastik Gradient Langevin Dynamics aracılığıyla Bayes Öğrenimi
-
Güçlendirmeli öğrenme yoluyla hesaplama modellerini keşfedin
Kağıt adı: Pekiştirmeli öğrenmeyle hesaplamalı model keşfi
-
Kuantum yüzleşme makine öğrenimi
Kağıt adı: Quantum Adversarial Machine Learning
