Fugu-MT 論文翻訳(概要): Mathematical Challenges in Deep Learning

論文の概要: Mathematical Challenges in Deep Learning

arxiv url: http://arxiv.org/abs/2303.15464v1
Date: Fri, 24 Mar 2023 20:12:27 GMT
ステータス: 処理完了
システム内更新日: 2023-03-29 18:05:06.582289
Title: Mathematical Challenges in Deep Learning
Title（参考訳）: 深層学習における数学的挑戦
Authors: Vahid Partovi Nia, Guojun Zhang, Ivan Kobyzev, Michael R. Metel, Xinlin Li, Ke Sun, Sobhan Hemati, Masoud Asgharian, Linglong Kong, Wulong Liu, Boxing Chen
Abstract要約: ディープモデルは、2012年のImageNetチャレンジ以来、人工知能(AI)産業を支配している。それ以来、ディープモデルのサイズは拡大しており、携帯電話、パーソナルコンピュータ、自動運転車、および無線基地局など、この分野に新たな課題をもたらしている。これは、長い目で見ればテクノロジー産業に利益をもたらすディープラーニングの研究課題の主観的な見解である。
参考スコア（独自算出の注目度）: 27.023424706292516
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep models are dominating the artificial intelligence (AI) industry since the ImageNet challenge in 2012. The size of deep models is increasing ever since, which brings new challenges to this field with applications in cell phones, personal computers, autonomous cars, and wireless base stations. Here we list a set of problems, ranging from training, inference, generalization bound, and optimization with some formalism to communicate these challenges with mathematicians, statisticians, and theoretical computer scientists. This is a subjective view of the research questions in deep learning that benefits the tech industry in long run.
Abstract（参考訳）: 2012年のImageNetチャレンジ以来、ディープモデルは人工知能(AI)業界を支配している。それ以来、深層モデルのサイズは増え続けており、携帯電話、パーソナルコンピュータ、自動運転車、無線基地局など、この分野に新たな課題をもたらしている。ここでは、これらの課題を数学者、統計学者、理論計算機科学者と伝達するために、トレーニング、推論、一般化境界、最適化を含む一連の問題を列挙する。これは、長期的な技術産業に利益をもたらすディープラーニングの研究課題の主観的な見解である。

関連論文リスト

Artificial Intelligence for Quantum Computing [30.639337493477242]
量子コンピューティングは、AIのデータ駆動学習機能の主要な候補である。 AIからQCにリードする技術を導入するには、おそらくコンピュータ科学の最も先進的で難解な領域の2つから専門知識を引き出す必要がある。本稿では、最先端のAI技術が、有用なQCを開発するために必要なハードウェアとソフトウェアスタック間の課題をすでに進めている方法についてレビューする。
論文参考訳（メタデータ） (2024-11-14T02:11:16Z)
A Survey on State-of-the-art Deep Learning Applications and Challenges [0.0]
ディープラーニングモデルの構築は、アルゴリズムの複雑さと現実世界の問題の動的な性質のため、難しい。本研究の目的は,コンピュータビジョン,自然言語処理,時系列解析,広範コンピューティングにおける最先端のディープラーニングモデルを網羅的にレビューすることである。
論文参考訳（メタデータ） (2024-03-26T10:10:53Z)
On the Challenges and Opportunities in Generative AI [135.2754367149689]
現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
論文参考訳（メタデータ） (2024-02-28T15:19:33Z)
AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
論文参考訳（メタデータ） (2023-10-19T02:00:31Z)
Causal Reasoning: Charting a Revolutionary Course for Next-Generation AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文参考訳（メタデータ） (2023-09-23T00:05:39Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Amplifying Limitations, Harms and Risks of Large Language Models [1.0152838128195467]
この記事は、人工知能に関する誇大広告の急増に対抗すべく、小さなジェスチャーとして紹介する。また、この分野の外部の人たちが、AI技術の限界についてより深く知るのに役立つかもしれない。
論文参考訳（メタデータ） (2023-07-06T11:53:45Z)
A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文参考訳（メタデータ） (2022-12-20T18:46:16Z)
Machine Learning in Finance-Emerging Trends and Challenges [1.2891210250935146]
機械学習と人工知能のパラダイムが私たちの日常生活に浸透し、もはや神秘的な学者や科学者の領域ではない。処理速度の指数的な成長により、組織はビジネス価値をはるかに上回るソリューションを実現するために、膨大な量のデータを活用することが可能になった。この入門章では、マシンラーニングと人工知能ベースのモデルとアプリケーションを日々の運用で採用する上で、金融サービスセクターの組織が直面している課題と障壁を取り上げている。
論文参考訳（メタデータ） (2021-10-08T09:14:06Z)
Deep Neural Mobile Networking [2.566129836901404]
この論文は、ディープニューラルネットワークの最近の進歩を活用して、モバイルネットワーク領域における重要な問題に対処する。ディープラーニングベースのソリューションは、人間の専門知識なしに、生データから機能を自動的に抽出することができる。
論文参考訳（メタデータ） (2020-10-23T09:23:36Z)
Knowledge Distillation: A Survey [87.51063304509067]
ディープニューラルネットワークは、特にコンピュータビジョンタスクにおいて、産業と学術の両方で成功している。リソースが限られているデバイスに、これらの面倒なディープモデルをデプロイすることは難しい。知識蒸留は、大きな教師モデルから小さな学生モデルを効果的に学習する。
論文参考訳（メタデータ） (2020-06-09T21:47:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。