أهم أوراق التعلم الآلي التي يجب قراءتها في عام 2023

أعاد نشره أفلاطون

المتابعون: 0

أهم أوراق تعلم الآلة للقراءة في عام 2023
الصورة عن طريق pch. ناقل on Freepik

يعد التعلم الآلي مجالًا كبيرًا مع ظهور أبحاث جديدة بشكل متكرر. إنه مجال ساخن حيث تستمر الأوساط الأكاديمية والصناعية في تجربة أشياء جديدة لتحسين حياتنا اليومية.

في السنوات الأخيرة ، غيّر الذكاء الاصطناعي التوليدي العالم بسبب تطبيق التعلم الآلي. على سبيل المثال ، ChatGPT و Stable Diffusion. حتى مع سيطرة الذكاء الاصطناعي التوليدي على عام 2023 ، يجب أن نكون على دراية بالعديد من اختراقات التعلم الآلي.

فيما يلي أهم أوراق التعلم الآلي التي يجب قراءتها في عام 2023 حتى لا تفوتك الاتجاهات القادمة.

1) تعلم الجمال في الأغاني: محسن صوت الغناء العصبي

إن تجميل صوت الغناء (SVB) هي مهمة جديدة في الذكاء الاصطناعي التوليدي تهدف إلى تحسين صوت الغناء للهواة إلى صوت جميل. إنه بالضبط هدف البحث ليو وآخرون. (2022) عندما اقترحوا نموذجًا توليديًا جديدًا يسمى Neural Singing Voice Beautifier (NSVB).

NSVB هو نموذج تعليمي شبه خاضع للإشراف يستخدم خوارزمية لرسم الخرائط الكامنة التي تعمل كمصحح للنغمة وتحسن النغمة الصوتية. يعد العمل بتحسين الصناعة الموسيقية ويستحق المراجعة.

2) الاكتشاف الرمزي لخوارزميات التحسين

أصبحت نماذج الشبكة العصبية العميقة أكبر من أي وقت مضى ، وقد تم إجراء الكثير من الأبحاث لتبسيط عملية التدريب. بحث حديث أجراه فريق Google (تشن وآخرون. (2023)) اقترح تحسينًا جديدًا للشبكة العصبية يسمى Lion (EvoLved Sign Momentum). توضح الطريقة أن الخوارزمية أكثر كفاءة في استخدام الذاكرة وتتطلب معدل تعلم أقل من آدم. إنه بحث رائع يظهر العديد من الوعود التي يجب ألا تفوتها.

3) TimesNet: نمذجة التباين الزمني ثنائي الأبعاد لتحليل السلاسل الزمنية العامة

يعد تحليل السلاسل الزمنية حالة استخدام شائعة في العديد من الشركات ؛ على سبيل المثال ، التنبؤ بالأسعار ، واكتشاف الانحراف ، وما إلى ذلك. ومع ذلك ، هناك العديد من التحديات لتحليل البيانات الزمنية بناءً على البيانات الحالية فقط (بيانات 1D). ذلك هو السبب وو وآخرون. (2023) اقتراح طريقة جديدة تسمى TimesNet لتحويل البيانات 1D إلى بيانات ثنائية الأبعاد ، مما يحقق أداءً رائعًا في التجربة. يجب عليك قراءة الورقة لفهم هذه الطريقة الجديدة بشكل أفضل لأنها ستساعد كثيرًا في تحليل السلاسل الزمنية في المستقبل.

4) الأراضي الفلسطينية المحتلة: فتح نماذج لغة المحولات المدربة مسبقًا

حاليًا ، نحن في عصر الذكاء الاصطناعي التوليدي حيث تم تطوير العديد من نماذج اللغات الكبيرة بشكل مكثف من قبل الشركات. في الغالب ، لن يصدر هذا النوع من الأبحاث نموذجهم أو يكون متاحًا تجاريًا فقط. ومع ذلك ، فإن مجموعة أبحاث Meta AI (زانج وآخرون. (2022)) يحاول القيام بالعكس من خلال إطلاق نموذج المحولات المفتوحة المدربة مسبقًا (OPT) والذي يمكن مقارنته مع GPT-3. تعتبر الورقة بداية رائعة لفهم نموذج الأرض الفلسطينية المحتلة وتفاصيل البحث ، حيث تقوم المجموعة بتسجيل جميع التفاصيل في الورقة.

5) REaLTabFormer: توليد بيانات علائقية وجدولية واقعية باستخدام المحولات

لا يقتصر النموذج التوليدي على إنشاء نص أو صور فقط ولكن أيضًا بيانات جدولية. غالبًا ما تسمى هذه البيانات التي تم إنشاؤها بالبيانات التركيبية. تم تطوير العديد من النماذج لإنشاء بيانات جدولية تركيبية ، ولكن لا يوجد نموذج تقريبًا لإنشاء بيانات تركيبية مجدولة علائقية. هذا هو بالضبط الهدف من سولاتوريو ودوبريز (2023) بحث؛ إنشاء نموذج يسمى REaLTabFormer للبيانات العلائقية التركيبية. أظهرت التجربة أن النتيجة قريبة تمامًا من النموذج التركيبي الحالي ، والذي يمكن أن يمتد إلى العديد من التطبيقات.

6) هل التعلم المعزز (ليس) لمعالجة اللغة الطبيعية ؟: المعايير المرجعية ، وخطوط الأساس ، ولبنات البناء لتحسين سياسة اللغة الطبيعية

يعد التعلم المعزز من الناحية المفاهيمية اختيارًا ممتازًا لمهمة معالجة اللغة الطبيعية ، ولكن هل هذا صحيح؟ هذا هو السؤال الذي رامامورثي وآخرون. (2022) حاول الإجابة. يقدم الباحث مكتبة وخوارزمية مختلفة توضح أين تتمتع تقنيات التعلم المعزز بميزة مقارنة بالطريقة الخاضعة للإشراف في مهام البرمجة اللغوية العصبية. إنها ورقة موصى بها لقراءتها إذا كنت تريد بديلًا لمجموعة المهارات الخاصة بك.

7) لحن- A- فيديو: ضبط طلقة واحدة لنماذج نشر الصورة لتوليد النص إلى الفيديو

كان إنشاء تحويل النص إلى صورة كبيرًا في عام 2022 ، وسيتم عرض عام 2023 على إمكانية تحويل النص إلى فيديو (T2V). البحث عن طريق وو وآخرون. (2022) يوضح كيف يمكن تمديد T2V في العديد من الأساليب. يقترح البحث طريقة Tune-a-Video جديدة تدعم مهام T2V مثل تغيير الموضوع والعنصر ، ونقل النمط ، وتحرير السمات ، وما إلى ذلك. إنها ورقة رائعة للقراءة إذا كنت مهتمًا بالبحث عن نص إلى فيديو.

8) PyGlove: تبادل أفكار ML بشكل فعال كرمز

التعاون الفعال هو مفتاح النجاح في أي فريق ، خاصة مع التعقيد المتزايد في مجالات التعلم الآلي. لتعزيز الكفاءة ، بينغ وآخرون. (2023) قدم مكتبة PyGlove لمشاركة أفكار ML بسهولة. يتمثل مفهوم PyGlove في التقاط عملية بحث ML من خلال قائمة قواعد التصحيح. يمكن بعد ذلك إعادة استخدام القائمة في أي مشهد تجارب ، مما يحسن من كفاءة الفريق. إنه بحث يحاول حل مشكلة التعلم الآلي التي لم يفعلها الكثيرون حتى الآن ، لذا فإن الأمر يستحق القراءة.

8) ما مدى قرب ChatGPT للخبراء البشريين؟ مجموعة المقارنة والتقييم والكشف

لقد غيرت ChatGPT العالم كثيرًا. من الآمن أن نقول إن الاتجاه سيرتفع من هنا لأن الجمهور يفضل بالفعل استخدام ChatGPT. ومع ذلك ، كيف يتم مقارنة نتيجة ChatGPT الحالية بالخبراء البشريين؟ إنه بالضبط سؤال قوه وآخرون. (2023) حاول الإجابة. حاول الفريق جمع البيانات من الخبراء ونتائج ChatGPT الفورية التي قاموا بمقارنتها. تظهر النتيجة أن هناك اختلافات ضمنية بين ChatGPT والخبراء. هذا البحث هو شيء أشعر أنه سيتم طرحه باستمرار في المستقبل لأن نموذج الذكاء الاصطناعي التوليدي سيستمر في النمو بمرور الوقت ، لذا فهو يستحق القراءة.

يُعد عام 2023 عامًا رائعًا لأبحاث التعلم الآلي التي يظهرها الاتجاه الحالي ، وخاصة الذكاء الاصطناعي التوليدي مثل ChatGPT و Stable Diffusion. هناك الكثير من الأبحاث الواعدة التي أشعر أنه لا ينبغي تفويتها لأنها أظهرت نتائج واعدة قد تغير المعيار الحالي. في هذه المقالة ، أريتكم 9 من أفضل أوراق تعلم الآلة للقراءة ، بدءًا من النموذج التوليدي ونموذج السلسلة الزمنية إلى كفاءة سير العمل. اتمني ان يكون مفيدا.

كورنليوس يودا ويجايا هو مدير مساعد لعلوم البيانات وكاتب بيانات. أثناء عمله بدوام كامل في Allianz Indonesia ، يحب مشاركة نصائح حول Python و Data عبر وسائل التواصل الاجتماعي وكتابة الوسائط.