Главная книга

Книга в процессе разработки - Feature Engineering A-Z. Главная тема для прикладных задач машинного обучения

Интернет всего

Пример IoE (Internet of Everything) - Интернет военных вещей

Технологии и безопасность 2024

Презентации конференции "Искусственный интеллект: вызовы и возможности. Опыт использования AI/ML в различных отраслях, вопросы доверия и информационной безопасности".

В частности - презентация С. Гарбука "О национальной системе оценки соответствия технологий искусственного интеллекта требованиям в области функциональной корректности и безопасности"

Робастнее некуда

Статья в журнале INJOIT о робастности моделей машинного обучения

Открытая наука: INJOIT том 12, номер 1

Очередной номер журнала INJOIT появился на сайте Киберленинка.

Это том 12, номер 1 за 2024 год.

/via Лаборатория ОИТ

Другая жизнь трансформеров

Интересная идея - заменить обучение с подкреплением новой моделью трансформеров. Вот оригинальная статья по Decision Transformer

Цифровая война

Рои дронов в военном деле

Из книги Digital War

Масштабирование ChatGPT

Интересный материал - как масштабировали ChatGPT

См. также другие ссылки по теме масштабирование

Космоснимки

Машинное обучение в анализе космических снимков. Обзор.

Энциклопедия LLM

В этой статье мы рассматриваем некоторые из наиболее известных LLM, в том числе три популярных семейства LLM (GPT, LLaMA, PaLM), и обсуждаем их характеристики, вклад и ограничения. Мы также даем обзор методов, разработанных для создания и расширения LLM. Затем мы изучаем популярные наборы данных, подготовленные для обучения, тонкой настройки и оценки LLM, рассматриваем широко используемые показатели оценки LLM и сравниваем эффективность нескольких популярных LLM по набору репрезентативных критериев. Наконец, мы завершаем статью обсуждением открытых проблем и будущих направлений исследований.

См. также другие публикации, посвященные LLM

Инверсия моделей

Атаки на извлечение тренировочных данных из DNN

См. также другие публикации по теме adversarial, посвященные устойчивому машинному обучению и LLM

Диффузионные трояны

Бэкдор атаки на диффузионные модели

См. также другие публикации по теме adversarial, посвященные устойчивому машинному обучению и LLM

INJOIT 2024

Первый и второй номера журнала INJOIT на сайте elibrary.ru

За науку

Учебник: машинное обучение с учителем в научных исследованиях. Как перестать беспокоиться и полюбить свой черный ящик.

Желают знать, что будет

Хорошо написанное руководство по предсказаниям значений временных рядов с помошью машинного обучения. Интересный раздел по data leakage.

100 запросов

Хорошая идея для обучения - 100 SQL запросов, которые охватывают все

Поясни за вывод

Survey on Explainable Ai: Techniques, Challenges and Open Issues

P.S. см. также другие публикации по теме explainable, а также другие публикации, посвященные ответу на вопрос почему?

INJOIT том 12, номер 2

Вышел второй номер журнала INJOIT в 2024 году. И двенадцатый год издания журнала.

Темы статей:

• Восемь вариантов конечных автоматов для проверки выполнения отношения покрытия итераций двух конечных языков. Часть II
• Обзор и сравнительный анализ алгоритмов атак и защиты на графовые архитектуры ИНС
• Comparative analysis of Jacobi and Gauss-Seidel iterative methods
• Development and Analysis of a Fuzzy Controller for Mobile Robots in Heterogeneous Soils
• Информационная система подачи заявок на гранты
• Analysis of NFC technology evolution
• Разработка программного комплекса для решения задачи планирования траектории при управлении движением манипуляционного механизма
• An Investigation into Router Firmware Security and the Embedded Device Challenge
• Цифра и тенденции развития военных технологий и соответствующей регуляторики: взгляд на зарубежный опыт
• Архитектурные модели Web3

/via Лаборатория ОИТ

Архив журнала находится здесь.

Фейк или нет?

Интересная статья по определению deep fake, созданных диффузионными моделями

На чем учили?

Атаки на LLM - извлечение тренировочных данных. Вот здесь есть описание этой атаки.

Вот здесь описана другая модель подобной атаки

См. также другие публикации по теме adversarial, посвященные устойчивому машинному обучению и LLM

Собственные данные или настройка?

Что лучше для LLM - добавлять собственные данные к запросу (RAG - Retrieval-Augmented Generation) или проводить тонкую настройку (добавлять знания)? Сравнительный анализ.

Общая идея RAG:

1. Пользователь вводит вопрос.

2. Система ищет подходящие документы, которые могут содержать ответ на этот вопрос. Эти документы часто включают в себя собственные данные компании, которая разработала систему, а хранятся они обычно в некоем каталоге документов.

3. Система создаёт промпт для LLM, в котором скомбинированы данные, введённые пользователем, подходящие документы и инструкции для LLM. Модель должна ответить на вопрос пользователя, применив предоставленные ей документы.

4. Система отправляет промпт LLM.

5. LLM возвращает ответ на вопрос пользователя, основанный на предоставленных контекстных сведениях. Это — выходные данные системы.

См., например, здесь

См. также другие публикации, посвященные LLM