Tech Meridian
ЖИВАЯ ЛЕНТА
СУЩНОСТИ
EN RU

АНАЛИТИКА AI-ИНДУСТРИИ

ТО, ЧТО ВАЖНО.
ПРЯМО СЕЙЧАС.

Один инфоповод — все источники. Классификация, оценка и краткий разбор в реальном времени.

ARCHIVE DATE
346 РЕЗУЛЬТАТОВ · СТРАНИЦА 12 ИЗ 12
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Google Research представила «Talk like a Graph» и бенчмарк GraphQA для кодирования графов для LLM

Исследователи Google (Бахаре Фатеми и Брайан Пероззи) предложили способы преобразования графов в текстовое представление, понятное большим языковым моделям, и представили бенчмарк GraphQA с задачами на рассуждение по графам и генераторами графов. Они отмечают, что производительность LLM зависит от метода кодирования, типа задачи и структуры графа, и выбор подходящего кодирования может повысить точность на графовых задачах примерно до 60%.

Почему это важно: Это важно, потому что многие реальные данные имеют графовую структуру — улучшенные способы кодирования позволят LLM эффективнее рассуждать о сетях, графах знаний и других структурированных данных.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Chain-of-Table: Итеративная эволюция таблиц как цепочка рассуждений для лучшего понимания таблиц

Исследователи (Цилонг Ван и Чень-Ю Ли из Cloud AI Team) представляют Chain-of-Table — подход, в котором LLM с помощью in-context learning итеративно генерируют операции над таблицей и сохраняют промежуточные таблицы как цепочку рассуждений; это упрощает сложные таблицы под конкретный вопрос и, по данным авторов, обеспечивает новые лучшие результаты на бенчмарках WikiTQ, TabFact и FeTaQA.

Почему это важно: Chain-of-Table даёт структурированный и интерпретируемый способ, с помощью которого LLM решают задачи по работе с таблицами, и, по заявлению авторов, повышает точность на нескольких известных бенчмарках.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
МОДЕЛИ1 ИСТОЧН. · Google Research

Google выпустила embedding-инструменты Derm Foundation и Path Foundation для исследований в дерматологии и патологии

Google Health / Google Research объявила о двух специализированных embedding-инструментах — Derm Foundation для дерматологических изображений и Path Foundation для цифровой патологии (H&E whole-slide) — доступных для исследовательского использования. Инструменты формируют специализированные числовые эмбеддинги для ускорения последующих задач (например, линейных классификаторов) и опираются на предыдущую работу с CXR Foundation и оптимизации SSL для патологии.

Почему это важно: Специализированные эмбеддинги могут снизить потребность в данных, вычислениях и разметке для разработки ML-моделей в медицинской визуализации и ускорить исследования в дерматологии и патологии.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Социальное обучение: метод Google Research для обучения LLM друг у друга с помощью естественного языка

Исследователи Google предлагают рамочную модель «социального обучения», в которой модели‑учителя передают знания модели‑студенту через текстовые инструкции и синтезированные примеры вместо обмена исходными данными. На основе PaLM 2‑S для задач (детектирование спама, школьная математика, вопросы по тексту) они отмечают, что сгенерированные примеры (например, 8–16 штук) часто сохраняют приватность и обеспечивают сопоставимую производительность для большинства задач, хотя детектирование спама оказалось исключением; также предложены количественные методы измерения приватности.

Почему это важно: Если LLM смогут обучать друг друга через естественный язык и синтезированные примеры, это даст возможность совместного улучшения моделей при меньшей необходимости обмена конфиденциальными исходными данными.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Croissant 1.0: формат метаданных для ML-готовых датасетов на базе schema.org с поддержкой крупных хостов и фреймворков

Croissant — новый формат метаданных для ML-готовых датасетов (версия 1.0) на базе schema.org, который унифицирует описание и организацию данных, не меняя их форматов. Релиз включает спецификацию, примеры датасетов, открытый Python-инструментарий и визуальный редактор, расширение для ответственного ИИ, и получает поддержку со стороны Kaggle, Hugging Face, OpenML, Dataset Search и загрузки через TFDS в основных фреймворках.

Почему это важно: Единый формат метаданных, ориентированный на ML, может снизить «бремя разработки данных», улучшив обнаруживаемость, инструменты, повторное использование и учёт атрибутов ответственного ИИ в репозиториях и фреймворках.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Google Quantum AI проводит стенд и более 50 докладов на весеннем собрании APS 2024

Команда Google Quantum AI сообщила о значительном присутствии на весеннем собрании Американского физического общества (APS) 2024 в Миннеаполисе: стенд, более 50 докладов и демонстрации проектов, включая прототип визуализации Crumble, библиотеку оценок ресурсов Qualtran и сессию по конкурсу XPRIZE. Программа охватывает квантовую коррекцию ошибок, калибровку и переход от NISQ к устойчивым системам, квантовые алгоритмы и применения машинного обучения в материаловедении и химии.

Почему это важно: Это показывает продолжающиеся инвестиции Google в квантовые инструменты, алгоритмы и ML-приложения в квантовой области, что может повлиять на направления исследований и возможности сотрудничества.

ОТКРЫТЬ СОБЫТИЕ →
6.0ВАЖНОСТЬ
МОДЕЛИ1 ИСТОЧН. · Google Research

VideoPrism — фундаментальный визуальный энкодер Google Research для разнообразного анализа видео

Google Research представляет VideoPrism — видеофундаментальную модель, выдающую «замороженные» представления видео для разных задач (классификация, локализация, поиск, генерация подписей, ответы на вопросы). Модель предобучена на гибридном корпусе из 36 миллионов высококачественных пар «видео‑текст» и дополнительно 582 миллионов клипов с шумными или машинно сгенерированными текстами; обучение проходит в два этапа (контрастивное обучение видео‑текст и маскирование видеопатчей).

Почему это важно: Один хорошо предобученный «замороженный» видеoэнкодер, который, как заявляют, даёт лучшие результаты, может упростить и стандартизировать множество прикладных и исследовательских задач по анализу видео.

ОТКРЫТЬ СОБЫТИЕ →
8.0ВАЖНОСТЬ
МОДЕЛИ1 ИСТОЧН. · Google Research

Google описывает приватное обучение on-device языковых моделей Gboard с помощью федеративного обучения и дифференциальной приватности

Исследователи Google сообщают, что все нейронные модели предсказания следующего слова в Gboard обучаются через федеративное обучение с формальными гарантиями дифференциальной приватности; в продакшене более 30 on-device моделей в 7+ языках и 15+ странах. Развернутые модели удовлетворяют (ε,δ)-DP с δ=10^-10 и ε в диапазоне 0.994–13.69; в публикации описаны применяемые методы (DP-FTRL, SecAgg, адаптивное отсечение, предобучение на C4) и указано, что это, по их сведениям, крупнейшее известное промышленное внедрение DP на уровне пользователя и первый случай объявления ε<1 для моделей, обученных на данных пользователей.

Почему это важно: Это важно, поскольку демонстрирует промышленное развертывание федеративного обучения с формальной дифференциальной приватностью на уровне пользователя (включая ε<1) для on-device языковых моделей, что повышает практические меры защиты данных пользователей.

ОТКРЫТЬ СОБЫТИЕ →
8.0ВАЖНОСТЬ
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Google Research: инстанс-условные временные шкалы затухания для перевзвешивания тренировочных данных при дрейфе концепций

Google Research предлагает вспомогательную модель перевзвешивания, которая присваивает важность каждому обучающему примеру по его содержанию и возрасту, комбинируя несколько фиксированных временных шкал затухания и обучая назначение совместно с основной моделью. Метод объединяет преимущества офлайн- и непрерывного обучения и демонстрирует до ~15% относительного прироста точности на крупном бенчмарке с нестабильными данными (~39 млн изображений за 10 лет) и улучшения на других наборах для обучения при дрейфе данных.

Почему это важно: Подход предоставляет практический метод уменьшения деградации моделей при медленном дрейфе концепций путём выборочного перевзвешивания прошлых примеров, устраняя ограничения чисто офлайн- или непрерывных стратегий в реальных нестабильных данных.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Google Research выпустила DP-Auditorium — библиотеку на Python для внешнего аудита дифференциальной приватности

Google Research представила DP-Auditorium — открытую библиотеку на Python для аудита гарантий дифференциальной приватности с использованием только «чёрного ящика» механизма. Библиотека содержит тестеры свойств и поисковщики наборов данных (включая новые HockeyStick-, Rényi- и MMD-тестеры) и показывает возможность выявлять нарушения гарантий DP для разных определений (pure, approximate, Rényi).

Почему это важно: Практические инструменты для внешнего аудита, такие как DP-Auditorium, помогают выявлять ошибки в реализациях или доказательствах DP-механизмов, повышая доверие к системам с защитой конфиденциальности.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
РАЗРАБОТКА1 ИСТОЧН. · Google Research

Google выпустил TensorFlow GNN 1.0 для графовых нейронных сетей в промышленной эксплуатации

Google представляет TensorFlow GNN 1.0 (TF-GNN) — промышленную библиотеку для построения и обучения графовых нейронных сетей в TensorFlow с поддержкой GraphTensor, интеграцией с Keras и гибкой динамической или пакетной выборкой подграфов — от Colab до распределённой выборки через Apache Beam для наборов данных с сотнями миллионов узлов и миллиардами рёбер.

Почему это важно: TF-GNN делает гетерогенные графы первоклассными объектами в TensorFlow и даёт масштабируемые средства выборки и обучения, упрощая развёртывание GNN на больших реальных графах.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
МОДЕЛИ1 ИСТОЧН. · Google Research

Google Research представила TimesFM — 200M-параметровую декодерную foundation-модель для прогнозирования временных рядов

Исследователи Google Research Раджат Сен и Ичен Чжоу представили TimesFM — декодерную трансформерную foundation-модель, предварительно обученную примерно на 100 миллиардах реальных точек временных рядов. При объёме 200 млн параметров модель использует «патчи» временных точек как токены и демонстрирует сильные нулевые (zero-shot) прогнозы на различных невиденных наборах данных, приближаясь к лучшим в классе супервизированным методам; модель планируется сделать доступной через Google Cloud Vertex AI позже в этом году.

Почему это важно: Предварительно обученная foundation‑модель для временных рядов, дающая конкурентные нулевые прогнозы, может сократить необходимость в дообучении под конкретные данные и ускорить внедрение прогнозирования в ритейле, финансах и других сферах.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Исследователи Google предлагают «ранние считывания» и «просеиватель признаков» для борьбы со спурриозными признаками и простотной предвзятостью

Авторы из Google Research Ришаб Тивари и Прадеп Шеной описывают два вмешательства — прогнозы из ранних промежуточных слоёв («ранние считывания») и принудительное «забывание признаков» с помощью «просеивателя признаков» — чтобы обнаруживать и снижать зависимость от спурриозных признаков и простотную предвзятость в глубоких сетях. Сигнал от ранних считываний используется для перенастройки вклада учителя при дистилляции, а просеиватель признаков заставляет модель искать более информативные признаки; авторы сообщают об улучшении worst‑group accuracy на бенчмарках (Waterbirds, CelebA, CivilComments, MNLI) и лучшей генерализации на невидимые домены по сравнению с предыдущими подходами.

Почему это важно: Это важно, потому что методы предлагают автоматическую диагностику и практические вмешательства для снижения зависимости от спурриозных признаков и простотной предвзятости, повышая устойчивость худших групп и генерализацию между доменами.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
МОДЕЛИ1 ИСТОЧН. · Google Research

MobileDiffusion: субсекундная генерация изображений по тексту на устройстве с латентной диффузионной моделью в 520M параметров

MobileDiffusion — это компактная латентная диффузионная модель для генерации изображений по тексту на мобильных устройствах, сочетающая небольшой текстовый энкодер CLIP-ViT/L14 с оптимизированным UNet и декодером. Используя DiffusionGAN для одношаговой семплинга и оптимизируя архитектуру, модель в 520M параметров генерирует изображение 512×512 примерно за полсекунды на протестированных премиальных устройствах iOS и Android.

Почему это важно: Быстрые и компактные модели генерации изображений на устройстве позволяют реализовать интерактивный мобильный опыт и повысить приватность за счёт отказа от серверной инференции, делая развёртывание качественных генеративных моделей на смартфонах более осуществимым.

ОТКРЫТЬ СОБЫТИЕ →
8.0ВАЖНОСТЬ
ИССЛЕДОВАНИЯ1 ИСТОЧН. · Google Research

Google Research описывает программные оптимизации смешанных входных матричных умножений для NVIDIA Ampere (CUTLASS)

В блоге Google Research (автор — Маниш Гупта) описаны программные приёмы для реализации смешанных входных матричных умножений (например, входы F16 × веса U8) на тензорных ядрах NVIDIA Ampere через преобразование типов данных и согласование макета; решения опубликованы в репозитории NVIDIA/CUTLASS и, по заявлению авторов, добавляют минимальные накладные расходы и близки к пиковой аппаратной производительности. Работа ориентирована на ресурсоёмкие LLM‑нагрузки и поддерживает схемы квантования только весов для уменьшения объёма памяти модели.

Почему это важно: Эффективная программная реализация смешанных матричных умножений позволяет использовать 8‑битные форматы весов для крупных LLM на существующем GPU‑железе, повышая эффективность развёртывания без изменений аппаратуры.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
МОДЕЛИ1 ИСТОЧН. · Google Research

Exphormer: масштабирование графовых трансформеров с помощью экспандер-графов

Exphormer — это фреймворк с разреженным вниманием для графовых трансформеров от Google Research (представлен на ICML 2023), который заменяет плотный граф взаимодействий полным вниманием на разрежённый d-регулярный экспандер (используется случайная конструкция Фридмана, близкая к раманджуану). Подход комбинирует ребра экспандера с входным графом и виртуальными узлами, даёт линейное число рёбер и показывает сильные эмпирические результаты на разных графовых датасетах; реализация доступна на GitHub.

Почему это важно: Снижение квадратичной сложности полного внимания на графах с помощью разрежённого графа взаимодействий на основе экспандеров делает трансформеры применимыми к значительно большим графовым данным.

ОТКРЫТЬ СОБЫТИЕ →
7.0ВАЖНОСТЬ
EVENT
LOADING EVENT