HEADJACK — Разработка функций модульности Разработка признаков всегда была важным этапом в конвейере машинного обучения. Основная концепция разработки признаков заключается в создании или извлечении признаков с помощью знаний предметной области, чтобы алгоритмы машинного обучения могли легче извлекать информацию из данных. Ученые данных долго боролись за это, поэтому были созданы самые разные методы. В этой статье подход, который мы представляем, отличается от традиционной..

Самоконтролируемое обучение на основе изображений с архитектурой прогнозирования совместного встраивания Махмуд Ассран и др. Архитектура прогнозирования совместного встраивания на основе изображений (I-JEPA)  – это простой и эффективный метод изучения семантических представлений изображений, не полагаясь на ручное дополнение данных. Предсказывая в пространстве представления, I-JEPA сходится быстрее, чем методы реконструкции пикселей, и изучает представления высокого семантического уровня...

[KDD2022] GraphMAE: самоконтролируемые автокодировщики маскированных графов [Код] Введение: генеративное обучение против контрастного обучения Обучение с самоконтролем извлекает свою собственную контролируемую информацию из большого количества неконтролируемых данных. По сравнению с контролируемым обучением, он использует информацию из самого набора данных для создания псевдометок. Обучение с самоконтролем имеет большой потенциал в качестве дополнения к обучению с учителем..

Человеку требуется около 20–30 часов, чтобы научиться водить машину, в то время как на обучение нейронной сети для достижения той же способности уходят десятки тысяч часов. Даже после всех этих лет обучения и несмотря на использование новейших и лучших технологий обработки данных и датчиков, беспилотные автомобили по-прежнему не считаются безопасными на дороге. Модель мира Когда люди учатся водить машину, у них уже есть базовое понимание мира. У них есть базовая интуиция о том, как..