FREE
$0- Персональная лента и сохранённые материалы
- До 20 компаний, моделей и тем
- Еженедельный Meridian Brief на почту
АНАЛИТИКА AI-ИНДУСТРИИ
ТО, ЧТО ВАЖНО.
ПРЯМО СЕЙЧАС.
Один инфоповод — все источники. Классификация, оценка и краткий разбор в реальном времени.
TODAY · BRIEF
WHAT ROSE ABOVE THE NOISE.
МОЙ MERIDIAN · ТАРИФЫ
СОБЕРИТЕ СВОЙ СИГНАЛ.
Общая лента остаётся открытой. Аккаунт добавляет персонализацию, Pro — рабочие списки и ежедневный бриф.
PRO
$7/МЕСЯЦ
$70 в год · 2 месяца бесплатно
- Личный бриф по вашим интересам за 24 часа
- 5 списков с фильтрами источников и важности
- Исключения компаний и тем из ленты, брифа и ежедневного письма
- Публикация подборок по ссылке — только по вашему выбору
- До 200 интересов и ежедневный email бриф
- Управление оплатой и скачивание счетов
1208 РЕЗУЛЬТАТОВ · СТРАНИЦА 41 ИЗ 41
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
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
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
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
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
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
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
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