2025-01-03 に確認した最新投稿の一部です。
Article: 1
Title:
Unsupervised dense retrieval with conterfactual contrastive learning
Published:
2024-12-30
Authors:
Haitian Chen, Qingyao Ai, Xiao Wang, Yiqun Liu, Fen Lin, Qin Liu
Abstract:
大規模なドキュメントコーパスから簡潔な候補のセットを効率的に取得することは、情報検索(IR)における極めて重要な課題です。ニューラル検索モデル、特にトランスフォーマーと事前学習済み言語モデルで構築された高密度検索モデルは、その優れた性能から人気があります。しかし、説明可能性の欠如や敵対的な攻撃に対する脆弱性についても批判が寄せられています。これらの課題に対応して、fine-graned関連性シグナルの感度を向上させることにより、高密度検索モデルのロバスト性を向上させることを提案します。このコンテキストで感度を達成するモデルは、クエリとの関連性を決定するドキュメントの主要なパッセージが変更されたときに高い分散を示す必要がありますが、無関係なパッセージの他の変更については低い分散を維持する必要があります。この感度により、高密度検索モデルは、実際には関連性を増やさずにドキュメントを昇格させようとする攻撃に対して、堅牢な結果を生成できます。また、ドキュメントのどの部分が実際にクエリに関連しているかを分析することも可能になり、検索モデルの説明可能性が向上します。因果関係と反事実分析に動機付けられて、ゲーム理論に基づく一連の反事実正則化方法と反事実的パッセージによる教師なし学習を提案します。実験によると、私たちの方法では、パッセージレベルの関連性アノテーションに依存せずに主要なパッセージを抽出できることが示されています。さらに、正則化された高密度検索モデルは、敵対的な攻撃に対する高い堅牢性を示し、最先端の攻撃対策手法を凌駕しています。
Article: 2
Title:
Published:
2024-12-30
Authors:
Sungik Choi, Sungwoo Park, Jaehoon Lee, Seunghyun Kim, Stanley Jungkyu Choi, Moontae Lee
Abstract:
また、LDM(Latent diffusion Model)の品質が飛躍的に向上したことで、AIが生成した画像の悪用にもつながっています。現在のAI生成画像検出方法は、トレーニングのために実際の画像/AI生成画像を利用できることを前提としていますが、LDMの膨大な表現可能性を考えると、これは実質的に制限されています。これにより、関連データが事前に利用できないトレーニング不要の検出設定が開始されます。既存のLDM生成画像検出手法では、LDMで生成した画像は、実際の画像よりもオートエンコーダを使用して再構成しやすいと想定しています。しかし、この再構成距離は背景情報に過剰に適合しており、現在の方法では単純な背景の画像の検出に劣っていることが観察されています。これに対処するために、HFIと呼ばれる新しい方法を提案します。具体的には、LDMのオートエンコーダをダウンサンプリング・アップサンプリング・カーネルとして捉えることで、再構成された画像に現れる高周波情報の歪みであるエイリアシングの程度を測定します。HFIはトレーニング不要で効率的であり、さまざまな生成モデルによって生成された困難な画像の検出において、他のトレーニング不要の方法よりも一貫して優れています。また、HFIが暗黙的なウォーターマークの手段として、指定されたLDMから生成された画像を正常に検出できることも示します。HFIは、最高のベースライン法を上回りながら、100μA未満の大きさを達成します。
Article: 3
Title:
Towards Effective Discrimination Testing for Generative AI
Published:
2024-12-30
Authors:
Thomas P. Zollo, Nikita Rajaneesh, Richard Zemel, Talia B. Gillis, Emily Black
Abstract:
ジェネレーティブAI(GenAI)モデルは、差別的な行動に対する規制に新たな課題を提示しています。この論文では、GenAIの公平性研究がまだこれらの課題に対応していないと主張します。それどころか、既存のバイアス評価方法と規制目標との間には大きなギャップが残っています。これは、公正とされているが実際には差別的なGenAIシステムの展開を可能にする効果のない規制につながります。この問題を解決するために、GenAIバイアス評価に関する法的および技術的な文献を結び付け、不整合の領域を特定します。4つのケーススタディを通じて、公平性テスト手法と規制目標との間のこの不一致が、実際の展開、特に適応型または複雑な環境で差別的な結果をもたらす可能性があることを示しています。私たちは、規制の目標により適合し、将来の展開における公平性評価の信頼性を高めるために、識別テストを改善するための実践的な推奨事項を提供します。
Article: 4
Title:
Revolutionizing Mobility:The Latest Advancements in Autonomous Vehicle Technology
Published:
2024-12-30
Authors:
Venkata Sai Chandra Prasanth Narisetty, Tejaswi Maddineni
Abstract:
自動運転車(AV)テクノロジーは、より安全で効率的、かつ持続可能なモビリティソリューションを約束することで、交通業界の状況を変革しています。近年、AI、機械学習、センサーフュージョン、V2X(Vehicle-to-Everything)通信の大きな進歩により、完全自動運転車の開発が推進されています。この論文では、AVの進化を推進する最先端技術、その展開が直面する課題、および潜在的な社会的、経済的、規制的影響について探ります。認識システム、意思決定アルゴリズム、インフラストラクチャ統合における主要なイノベーションと、レベル4およびレベル5の自律性に向けた新たなトレンドに焦点を当てています。また、倫理的な考慮事項や自律型モビリティの大量採用へのロードマップなど、将来の方向性についても議論しています。最終的に、自動運転車を世界の交通システムに統合することで、都市計画に革命をもたらし、交通事故を減らし、排出量を大幅に削減し、よりスマートで持続可能な未来への道を開くことが期待されています。
Article: 5
Title:
Published:
2024-12-30
Authors:
Ehsan Latif, Xiaoming Zhai
Abstract:
人工知能(AI)を教育に統合するには、パフォーマンス、適応性、コストのバランスが取れたスケーラブルで効率的なフレームワークが必要です。この論文では、タスク固有の微調整のための軽量LoRAアダプターで強化された共有バックボーンモデルアーキテクチャを提案し、相互に排他的な27のタスクにわたる学生の回答の自動スコアリングを目標とすることで、これらのニーズに対応します。競争力のあるパフォーマンス(平均QWKは0.848、完全に微調整されたモデルの平均QWKは0.888)を達成し、GPUメモリ消費を60%、推論レイテンシを40%削減することで、このフレームワークは大幅な効率の向上を示しています。このアプローチは、教育タスクの言語モデルの改善、コスト重視のデプロイに対する責任あるイノベーションの創出、評価ワークフローの合理化による教育者の支援というワークショップの焦点と一致しています。この調査結果は、スケーラブルなAIが、自動採点システムの公平性と透明性を維持しながら学習成果を向上させる可能性を強調しています。