1- یادگیری زیبایی موجود در آهنگها: زیباساز صدای آواز عصبی:
زیباساز صدای آواز، یک کار جدید در زمینهی هوش مصنوعی مولد است که هدف آن تبدیل صدای آواز آماتور به صدای آواز حرفهای با استفاده از شبکههای عصبی میباشد. لیو و همکارانش در سال 2022، یک مدل مولد جدید با نام زیباساز صدای آواز عصبی را ایجاد کردند. این مدل، یک مدل نیمهنظارتی است که با استفاده از یک الگوریتم نگاشت پنهان که به صورت یک تصحیحکنندهی گام عمل مینماید، لحن آوازی را بهبود میبخشد. هدف انجام این پژوهش، بهبود صنعت موسیقی است و بنابراین مطالعهی آن خالی از لطف نیست.
لینک مقاله:
https://arxiv.org/pdf/2202.13277v2.pdf
2- کشف نمادین الگوریتم های بهینه سازی
مدل های شبکه ی عصبی عمیق از همیشه بزرگتر شدهاند و مطالعات متعددی برای سادهسازی فرآیند آموزش آنها انجام شده است. مطالعهی اخیر تیم گوگل (چن و همکارانش (2023))، یک الگوریتم بهینهسازی جدید برای شبکههای عصبی با نام شیر را ارائه دادهاند. ارزیابیها نشان دادهاند که الگوریتم ارائه شده نسبت به آدام از لحاظ مصرف حافظه کارآمدتر است و به نرخ یادگیری کوچکتری احتیاج دارد. این مقاله، یک مطالعهی قابل توجه است که نباید آن را از دست دهید.
لینک مقاله:
https://arxiv.org/pdf/2302.06675v2.pdf
3- TimesNet: مدلسازی تغییرات دوبعدی زمانی برای تحلیل سریهای زمانی عمومی
تحلیل سریهای زمانی، یک موضوع رایج در بسیاری از کسبوکارها مانند پیشبینی قیمت، تشخیص ناهنجاری و غیره میباشد. اما چالشهای متعددی در رابطه با تحلیل دادههای زمانی فقط براساس دادههای جاری (دادهی یک بعدی) وجود دارند. برای حل این مشکل، وو و همکارانش در سال 2023، یک روش جدید به نام TimesNet را برای تبدیل دادههای یک بعدی به دوبعدی معرفی نمودند که در آزمایشهای انجام شده به نتایج قابل توجهی دست یافته است. خواندن این کتاب برای آشنایی بیشتر با این روش برای استفاده در تحلیل سریهای زمانی در آینده لازم است.
لینک مقاله:
https://arxiv.org/pdf/2210.02186v2.pdf
4- OPT: مدلهای زبانی مبدل از پیش آموزش دادهی شدهی باز
در حال حاضر، ما در عصر مدلهای مولد هستیم که در آن مدلهای بزرگ زبانی متعددی توسط شرکتهای مختلف توسعه داده میشوند. اکثرا مدلهای ایجاد شده به صورت تجاری در دسترس خواهند بود. اما گروه تحقیقات هوش مصنوعی متا (ژانگ و همکارانش (2023)) مدل مبدلهای از پیش آموزش دیدهی باز خود را به صورت عمومی منتشر کردند. این مدل با GPT-3 قابل مقایسه است. این مقاله، مرجع خوبی برای کسب اطلاعات در رابطه با مدل OPT و جزئیات تحقیقاتی آن که محققان در مقاله ثبت کردهاند، میباشد.
لینک مقاله:
https://arxiv.org/pdf/2205.01068v4.pdf
5- REaLTabFormer: تولید دادههای رابطهای و جدولی واقعی با استفاده از تبدیلکنندهها
کاربردهای مدلهای مولد تنها به تولید متن و تصاویر ختم نمیشود. بلکه این مدلها قادر به تولید دادههای جدولی نیز میباشند. این دادههای تولید شده اغلب دادههای ترکیبی نامیده میشوند. مدلهای بسیاری برای تولید دادههای جدولی ترکیبی ارائه شدهاند. در این میان، سولارتوریو و داپریز (2023)، مدلی با نام REaLTabFormer را برای تولید دادههای رابطهای ترکیبی توسعه دادند. ارزیابیهای انجام شده نشان دادهاند که نتایج مدل ارائه شده از لحاظ دقت نزدیک به مدل ترکیبی موجود میباشد و میتواند در بسیاری از کاربردها مورد استفاده قرار گیرد.
لینک مقاله:
https://arxiv.org/pdf/2302.02041v1.pdf
6- آیا یادگیری تقویتی برای پردازش زبان طبیعی مناسب (نیست)؟: شاخصها، خطوط پایه و بلوکهای سازنده برای بهینهسازی خطمشی زبان طبیعی
پردازش زبان طبیعی از لحاظ مفهومی، یک انتخاب مناسب برای کارهای پردازش زبان طبیعی است، اما آیا این موضوع حقیقتا درست است؟ این سوالی است که رامامورتی و همکارانش در مطالعهای در سال 2022، تلاش کردند که به آن پاسخ دهند. محققان، کتابخانهها و الگوریتمهای مختلفی را که نشان میدهند روشهای یادگیری تقویتی نسبت به روشهای با ناظر در کارهای پردازش زبان طبیعی موثرتر هستند را ارائه دادهاند. این مقاله یک پیشنهاد عالی برای کسانی است که دوست دارند یک جایگزین به مجموعهی روشهایی که در زمینهی پردازش زبان طبیعی میشناسند، اضافه نمایند.
لینک مقاله:
https://arxiv.org/pdf/2210.01241v2.pdf
7- Tune – A – Video: تنطیم تکشات مدلهای انتشار تصویر برای تولید ویدیو از طریق متن
تولید تصویر براساس متن یک تحول عظیم در سال 2022 بود و تمرکز سال 2023 بر روی قابلیت تولید ویدیو از طریق متن خواهد بود. مطالعهی انجام شده توسط وو و همکارانش در سال 2022، چگونگی توسعهی تولید ویدیو از طریق متن را براساس روشهای مختلف نشان داده است. این مطالعه، یک روش تولید ویدیوی جدید را که از کارهای مرتبط با تولید ویدیو از طریق متن مانند تغییر فاعل و مفعول، تغییر سبک، ویرایش ویژگیها و غیره پشتیبانی میکند، ارائه داده است. این مقاله برای افرادی که به تحقیقات در حوزهی تولید ویدیو از طریق متن علاقهمند هستند، انتخاب بسیار خوبی میباشد.
لینک مقاله:
https://arxiv.org/pdf/2212.11565v1.pdf
8- PyGlove: تبادل کارآمد ایدههای یادگیری ماشین به عنوان کد
همکاری کارآمد، کلید موفقیت به خصوص با افزایش پیچیدگی در حوزهی هوش مصنوعی و یادگیری ماشین برای هر تیمی است. به منظور افزایش کارایی، پنگ و همکارانش (2023)، کتابخانهای با نام PyGlove را برای به اشتراکگذاری آسانتر ایدههای یادگیری ماشین ارائه دادند. مفهوم PyGlove، این است که فرآیند تحقیق یادگیری ماشین را از طریق لیستی از قوانین قابل اتصال ثبت نمایند. لیست ایجاد شده، بعدا در هر کار دیگری قابل استفاده خواهد بود که این موضوع کارایی تیم را افزایش خواهد داد. این مطالعه، تلاش میکند که مشکل یادگیری ماشینی را حل نماید که پیش از آن به آن توجه نشده بود، پس ارزش مطالعه خواهد داشت.
لینک مقاله:
https://arxiv.org/pdf/2302.01918v1.pdf
9- ماموریت های فضایی خارج از این دنیا با استفاده از هوش مصنوعی
مسافرتهای فضایی خطرهای گستردهای برای سلامت فضانوردان دارد. از جملهی این مخاطرات میتوان به قرار گرفتن در معرض اشعهی یونیزه کننده و میکروگرانش، انزوا و حبس طولانی مدت، چرخهی روز و شب تسریع شده، دمای شدید و دیگر شرایط محیطی دشوار اشاره نمود. بسیاری از این مخاطرات زیست محیطی برای سایر موجودات زنده که برای زیستگاههای پایدار در فضا مورد نیاز هستند نیز صدق میکند. به نظر میرسد، هوش مصنوعی بتواند نقش کلیدی در پایش زیستی مستقل، تحقیقات و مراقبتهای بهداشتی مستقل از زمان ایفا نماید. این مقاله، اطلاعات جامعی در زمینهی مطالعات صورت گرفته و نقش هوش مصنوعی در ماموریتهای فضایی ارائه مینماید.
لینک مقاله:
https://www.nature.com/articles/s42256-023-00643-3
10- چگونه مدلهای مجازی مغز میتوانند جراحی صرع را تغییر دهند؟
مدلهای مجازی نمایش مغز افراد مبتلا به صرع میتوانند با نمایش دقیق نواحی تشنج به جراحان مغز و اعصاب به درمان کارآمدتر بیماری کمک نمایند. این مدلها که با استفاده از یک سیستم محاسباتی به نام بیمار صرع مجازی ایجاد شدهاند، به عنوان بخشی از پروژه مغز انسان، که یک ابتکار ده ساله اروپایی با تمرکز بر تحقیقات دیجیتالی مغز است، توسعه یافتهاند. این روش در یک کارآزمایی بالینی، برای ارزیابی تاثیر آن در بهبود نرخ موفقیت جراحی صرع مورد بررسی قرار گرفته است. اگر به کاربرد هوش مصنوعی در پزشکی شخصی سازی شده علاقه مند هستید، این مقاله انتخاب بسیار خوبی خواهد بود.
لینک مقاله:
https://www.nature.com/articles/d41586-023-00990-6
تمامی حقوق این مقاله متعلق به سایت Rcai.ir میباشد و کپی برداری از آن صرفا با ذکر منبع مجاز است.
