機械学習 の研究記事 22 件を、新しい順に掲載しています。
悪意ある参加者が動的に攻撃戦略を変える状況でも、信頼できる少数の参照クライアントを手がかりに「悪意ある勾配」を識別し、できる限り多くの「善意の勾配」を集約に残す新しい連合学習の集約手法 EnCAgg を提案した研究です。
連合学習は端末からデータを出さずに学習できる一方、「全体最適なモデル」と「各端末に特化したモデル」を両立しにくいという根本的な課題を抱えています。
研究費助成や論文採択などで使われる「部分抽選（partial lottery）」は、評価スコアがわずかに変わるだけで当選確率が大きくぶれてしまう不安定さを抱えています。
多数の端末に分散したデータを集めずに学習する「連合学習」で、プライバシーを守りながらどこまで精度を高められるかという理論的な限界が示されました。
複数の端末が協力してAIモデルを学習する「連合学習」で、特定の端末だけが損をしない公平な学習手法EAGLEを提案しました。
複数種類のデータを組み合わせるAIモデルの性能向上は、データ間の「相乗効果」ではなく「足し算的な補完」によるものであることが示されました。
スマートフォンなどでAIを動かす際の電力消費を劇的に削減する新技術「SparseDVFS」が提案されました。
テキストデータから、個人の特性や価値観が言葉の選び方にどう影響するかを分析する新しい手法が提案されました。
データを送るのではなく、AIの推論に必要な「特徴」だけを送る新しい通信の考え方を提案しています。
新しいAIアーキテクチャ「Sprecher Networks」は、従来のモデルよりはるかに少ないパラメータ（部品）で動作します。
大規模で複雑なデータ（グラフデータ）を自然言語で分析するのは、現在のLLMにとって難しい課題でした。
スマホなどの端末でAIを動かすとバッテリーを多く消費するという課題があります。
AIの計算を物理的なアナログ回路（RNPU）で行う、新しいAIアーキテクチャ「アナログKAN」を提案しました。
事前学習済みで変更不可能なAIモデル（ブラックボックス）の性能を、入力データを賢く加工することで向上させる新手法「Whisperer」が提案されました。
大規模言語モデルを「枝刈り」と「知識蒸留」という2段階の手法で、パラメータ数を33.4%削減することに成功しました。
AIが生成した文章の良し悪しを、別のAI（評価者AI）が判断して改善する研究が進んでいます。
従来のAI文章生成は、主に「次に来る最も可能性の高い単語」を予測することに特化していました。
プライバシーを守りつつAIを学習させる「連合学習」では、各端末のデータがバラバラなため学習が不安定になりやすい課題があります。
本研究は、テスト時（推論時）にAIモデルを適応させ、連続する映像から空間情報を捉え続ける新手法「Spatial-TTT」を提案しました。
画像生成AIの内部（潜在空間）に、人間が理解できる「色」の地図のような構造が自然に生まれていることが発見されました。
現在のAIの多くは『予測』が得意な一方で、言葉の『意味を正確に測定』することは苦手であるという課題を指摘しています。
AIが外部ツールを使った際の結果を偽って報告する『ハルシネーション』を、高速に検出する新しい手法が提案されました。
ブックマークするには Google アカウントでログインしてください。端末をまたいで同期されます。
