2025-01-12 に確認した最新投稿の一部です。
Article: 1
Title:
Published:
2025-01-09
Authors:
Kristian G. Barman, Sascha Caron, Emily Sullivan, Henk W. de Regt, Roberto Ruiz de Austri, Mieke Boon, Michael Färber, Stefan Fröse, Faegheh Hasibi, Andreas Ipp, Rukshak Kapoor, Gregor Kasieczka, Daniel Kostić, Michael Krämer, Tobias Golling, Luis G. Lopez, Jesus Marco, Sydney Otten, Pawel Pawlowski, Pietro Vischia, Erik Weber, Christoph Weniger
Abstract:
このホワイトペーパーでは、Large Physics Models(LPM)と呼ばれる物理固有の大規模AIモデルの開発と評価のためのアイデアを探求し、潜在的なロードマップを提供します。これらのモデルは、広範なデータで訓練された大規模言語モデル(LLM)などの基礎モデルに基づいており、物理学研究の要求に対応するように調整されています。LPMは、独立して機能することも、統合されたフレームワークの一部として機能することもできます。このフレームワークには、数学的操作のためのシンボリック推論モジュール、特定の実験データやシミュレーションデータを分析するためのフレームワーク、理論や科学文献を合成するためのメカニズムなど、特殊なツールを組み込むことができます。まず、物理学コミュニティが商用のLLMだけに頼るのではなく、専用のモデルを積極的に開発し、改良すべきかどうかを検討することから始めます。次に、物理学、コンピュータサイエンス、科学哲学の専門家間の学際的なコラボレーションを通じてLPMを実現する方法について概説します。これらのモデルを効果的に統合するために、開発、評価、哲学的考察という3つの主要な柱を特定します。開発は、物理学のテキスト、数学的定式化、および多様な物理データを処理できるモデルの構築に焦点を当てています。評価は、テストとベンチマークによって精度と信頼性を評価します。最後に、Philosophical Reflectionは、新しい科学的理解を生み出す可能性や、研究で発生する可能性のある新しいコラボレーションダイナミクスなど、物理学におけるLLMのより広範な意味の分析を網羅しています。素粒子物理学における実験的共同研究の組織構造に触発されて、私たちは大規模物理モデルの構築と改良に対して、同様に学際的かつ協調的なアプローチを提案します。このロードマップでは、特定の目標を提供し、それらを達成するための道筋を定義し、物理特性に特化した大規模なAIモデルを実現するために対処すべき課題を特定します。
Article: 2
Title:
Quantifying Itch and its Impact on Sleep Using Machine Learning and Radio Signals
Published:
2025-01-09
Authors:
Michail Ouroutzoglou, Mingmin Zhao, Joshua Hellerstein, Hariharan Rahul, Asima Badic, Brian S. Kim, Dina Katabi
Abstract:
慢性的なかゆみは、米国人口の13%が罹患しており、非常に衰弱させ、多くの病状の根底にあります。臨床ケアや新治療法の開発における大きな課題は、かゆみを定量化するための客観的な尺度がないため、患者のかゆみの重症度の自己評価のような主観的な尺度に頼ることになっていることです。この論文では、人工知能(AI)と組み合わせた家庭用無線デバイスが、環境内で跳ね返る無線信号を分析することにより、引っかき傷を同時にキャプチャし、睡眠の質への影響を評価できることを示します。ウェアラブルセンサーや皮膚接触が不要となり、患者様に負担をかけたり、皮膚疾患に支障をきたすことなく、自宅での慢性的なかゆみを長時間モニタリングすることができます。この技術を検証するために、慢性掻痒症患者を対象に、無線デバイスと赤外線カメラの両方を使用して自宅で1か月間監視する観察臨床研究を実施しました。デバイスの出力をカメラからのグラウンドトゥルースデータと比較すると、その実現可能性と精度が実証されます (ROC AUC = 0.997、感度 = 0.825、特異度 = 0.997)。その結果、スクラッチと睡眠の質の低下との間には有意な相関関係があり、睡眠効率の低下(R = 0.6、p < 0.001)と睡眠潜時の増加(R = 0.68、p < 0.001)として現れました。私たちの研究は、慢性的な引っ掻き傷とその睡眠への影響に対する受動的で長期的な在宅モニタリングの可能性を強調しており、慢性のかゆみ患者の臨床ケアと医薬品の臨床試験の両方に貴重なツールを提供しています。
Article: 3
Title:
Neuro-Symbolic AI in 2024: A Systematic Review
Published:
2025-01-09
Authors:
Brandon C. Colelough, William Regli
Abstract:
背景:人工知能の分野は、AIの夏と冬として知られる成長と衰退の周期的な時期を経験してきました。現在、私たちは第3回目のAIの夏を迎えており、特にシンボリックAIとサブシンボリックAIの統合において、大幅な進歩と商業化が特徴で、ニューロシンボリックAIの出現につながっています。 方法:レビューは、IEEE Explore、Google Scholar、arXiv、ACM、SpringerLinkなどのデータベースを利用したPRISMAの方法論に従って行われました。選択基準は、2020年から2024年の間に発表された査読付き論文を対象としていました。論文は、Neuro-Symbolic AIとの関連性についてスクリーニングされ、再現性を確保するために、関連するコードベースの利用可能性に基づいてさらに含められました。 結果:最初の1,428本の論文の中から、167本が選択基準を満たし、詳細に分析されました。研究活動の大部分は、学習と推論(63%)、論理と推論(35%)、知識表現(44%)の分野に集中しています。説明可能性と信頼性はあまり多くなく(28%)、メタ認知は最も探求されていない分野(5%)です。このレビューでは、特に説明可能性と信頼性を他の研究分野と統合する上で、重要な学際的な機会を特定しています。 結論:ニューロシンボリックAIの研究は、2020年以降、学習と推論に力を注いで急速に成長しています。説明可能性、信頼性、およびメタ認知には大きなギャップが残っています。学際的な研究を通じてこれらのギャップに対処することは、よりインテリジェントで信頼性が高く、コンテキスト認識型のAIシステムに向けてこの分野を前進させるために重要です。
Article: 4
Title:
Published:
2025-01-09
Authors:
Wenhao Liao, Sineng Yan, Youqian Zhang, Xinwei Zhai, Yuanyuan Wang, Eugene Yujun Fu
Abstract:
自動運転車は、カメラベースの認識システムに依存して運転環境を理解し、重要な決定を下すことで、車両が安全に操縦できるようにします。しかし、電磁信号インジェクション攻撃(ESIA)と呼ばれる重大な脅威は、これらのカメラでキャプチャされた画像を歪め、AIの誤った決定につながり、自動運転車の安全性を損なう可能性があります。ESIAは深刻な影響を与えるにもかかわらず、さまざまな複雑な運転シナリオにおけるAIモデルの堅牢性への影響についての理解は限られています。このギャップに対処するために、私たちの研究では、ESIAの下でのさまざまなモデルのパフォーマンスを分析し、攻撃に対する脆弱性を明らかにしています。さらに、実際の攻撃データを取得することは困難であるため、新しいESIAシミュレーション手法を開発し、さまざまな運転シナリオに対してシミュレートされた攻撃データセットを生成します。本研究は、包括的なシミュレーションと評価のフレームワークを提供し、よりロバストなAIモデルと安全な知能システムの開発を促進し、最終的にはさまざまな分野でより安全で信頼性の高い技術の進歩に貢献することを目指しています。
Article: 5
Title:
Distributed Learning and Inference Systems: A Networking Perspective
Published:
2025-01-09
Authors:
Hesham G. Moussa, Arashmid Akhavain, S. Maryam Hosseini, Bill McCormick
Abstract:
機械学習モデルは、主に静的モデルの集中型トレーニングと、集中型クラウドに保存された大規模モデルを使用して推論を行うことにより、さまざまなタスクで人間レベルのパフォーマンスを達成し、場合によってはそれを上回っています。ただし、この一元化されたアプローチには、プライバシーの問題、高いストレージ要求、単一障害点、重大なコンピューティング要件など、いくつかの欠点があります。これらの課題により、AIのトレーニングと推論のための代替の分散型および分散型の方法を開発することへの関心が高まっています。流通は、複数の可動部品を管理する必要があるため、さらに複雑になります。これらの複雑さに対処し、分散型AIシステムの開発におけるギャップを埋めるために、この作業では、新しいフレームワークであるData and Dynamics-Aware Inference and Training Networks(DA-ITN)を提案します。DA-ITNのさまざまなコンポーネントとその機能について検討し、関連する課題と研究分野に焦点を当てます。