#機器學習

9 篇文章

機器學習徵服海量資料集:演算法突破蓄積資料移的屏障
1226

機器學習徵服海量資料集:演算法突破蓄積資料移的屏障

Data-機器學習:算法突破 exabyte 障礙由 Charles Poling(Los Alamos National Laboratory)報導根據新墨西哥州洛斯阿拉莫斯國家實驗室(Los Alamos National Laboratory)的一項最新研究,一款機器學習算法成功地突破了電腦可

運用傳統智慧的「機器學習」或可預防盜竊藝術品等文化不安全的 AI 做法
550

運用傳統智慧的「機器學習」或可預防盜竊藝術品等文化不安全的 AI 做法

傳統智慧影響機器學習:預防盜竊藝術和文化不安全的 AI 實踐 AI 對於原住民藝術的風險人工智慧(AI)能夠生成藝術,並且任何人都可以使用這種技術「創作」原住民藝術。在 AI 出現之前,原住民藝術已被廣泛挪用和沒有歸屬或表彰地重新製作,尤其是在旅遊業領域。現在人們可以透過 AI 生成藝術,這可能會加劇

機器學習能夠幫助監管機構發現作弊行為,對抗賽事操縱問題
763

機器學習能夠幫助監管機構發現作弊行為,對抗賽事操縱問題

機器學習可以幫助監管機構發現作弊行為,提升比賽的公平性作弊在體育競賽中的問題在即將開始的橄欖球世界杯之前,已經有聽說球隊間相互偷窺的傳言。這或許是不可避免的一種競爭手段,但無可否認的是,打擊體育作弊是監管機構一直在努力解決的問題。我們的新型機器學習模型可能會成為一個重大突破,能夠檢測可疑行為和不尋常

【AI 寫的?研究人員表示你可能無法分辨】
750

【AI 寫的?研究人員表示你可能無法分辨】

人工智慧撰寫的文章難以被鑑別引言最新的一項研究指出,即便是語言專家,也很難區分出由人工智慧(AI)還是人類所創作的文章。這項研究由美國密西西比大學應用語言學助理教授 J. Elliott Casal 和南佛羅裏達大學的學者 Matthew Kessler 合作完成。研究成果於《應用語言學研究方法》期

透過核心最大平均差線活性標籤分配學習
660

透過核心最大平均差線活性標籤分配學習

活性標籤分配學習透過核心最大平均差異簡介活性標籤分配學習(Active Label Distribution Learning,簡稱 ALDL)是一種解決標籤歧義性問題的新型學習範式。相較於傳統監督學習情境下的標註方式,使用標籤分配的註釋過程更加昂貴。直接使用現有的主動學習(Active Learn

Artisse:透過提示、範本,甚至參考圖片生成你的 AI 照片
666

Artisse:透過提示、範本,甚至參考圖片生成你的 AI 照片

Artisse:透過 AI 生成照片的新一代應用介紹 Artisse 是一款最新的 AI 照片生成應用,它與最近風靡的 Remini 等其他應用不同,它允許使用者透過上傳自拍照片來生成自己的 AI 照片。然而 Artisse 聲稱其在當前一系列 AI 照片應用中有所提升,它提供更廣泛的輸入和輸出功能,

AI 系統已學會欺騙人類,這對我們的未來意味著什麼?
688

AI 系統已學會欺騙人類,這對我們的未來意味著什麼?

人工智慧系統學會欺騙人類,對未來意味著什麼?作者:Simon Goldstein 和 Peter S. Park,轉自 The Conversation 人工智慧先驅者 Geoffrey Hinton 今年早些時候引起了關於人工智慧系統能力的擔憂。他在接受 CNN 記者 Jake Tapper 的存取

打造更好的 AI:強化現有架構以獲取更佳路徑
752

打造更好的 AI:強化現有架構以獲取更佳路徑

提升現有架構:更好的路徑鋪就更出色的人工智慧引言人工智慧(AI)領域一直在尋求提升,以解決更複雜的問題和執行更精確的任務。深度學習作為一種強大的方法,透過層層分類來完成任務。然而研究人員是否可以透過選擇對輸出最具影響力的路徑,而不是在每個層級上進行區域性決策,來實現全面性的決策?來自以色列巴伊蘭大學

AI 如何塑造初階科技職業?
686

AI 如何塑造初階科技職業?

AI 在職場中的影響:兩代之間的差異背景隨著人工智慧(AI)在各行各業的普及,AI 將成為新一代職場差異的焦點。據麥肯錫最近的一項研究顯示如今已有 79%的工作者使用生成式人工智慧,其中 22%使用它來完成日常工作任務。加上 AI 預計將在 2027 年消除 8300 萬個全球工作職位,可以看出,對