CARVE-Q: 양자 제안, 클래스적으로 인증된 인터랙티브 드라이브 리퍼어
자동차 제어에 대한 검토와 veto(차량 제어를 거부) 이후의 문제는 단순히 안전한 조작이 불가능한지 여부가 아니라, 차량 제어를 거부한 상호작용이 법적, 감사 가능한, 책임을 부여 받은修리(수리)를 허용하는지 여부를 결정해야 한다. 예측과 게임 이론 기반 계획자는 합리적인 협력을 제안할 수 있지만, 수리(수리)가 어려운 규칙, 우선 순위, 비용 배분 및 이고(ego, 나) fallback(백업)을 준수하는지를 증명하지 못한다. 우리는 CARVE(구체화된 비용 효율적인 제어를 거부 한 조작의 수리(수리)를 위한velope)), prediction-free interactive repair를 위한 certificate architecture를 제시한다. 제어를 거부 한 조작이 주어졌을 때, CARVE는 유한한 수리(수리) 격자와 제어를 거부 한 조작의 수리(수리)를 위한 구조화된 certificate를 생성하고, 규칙, 선택된 공동 수리(수리), 우선 순위 스케일링 협력 envelope, 책임을 부여 받은 비용 분할, 이고(ego, 나) fallback를 기록한다. 이 certificate view는 algorithmic bottleneck를 드러낸다: 다중 소유자 수리(수리)는 product lattice $M = \prod_j |\mathcal{A}_j|$를 유도한다. 우리는 CARVE-Q(구체화된 제어를 거부 한 조작의 수리(수리)를 위한 CARVE의 verifier-shielded quantum-AI search layer를 소개한다. CARVE-Q는 quantum minimum finding을 black-box lattice에만 적용하고, 모든 안전 권한을 classical로 유지한다. conservatively verifier-oracle model에서, exact classical minimum finding은 최악의 경우 $\Theta(M)$ queries가 필요하지만, Durr-Hoyer/Grover minimum finding은 $O(\sqrt{M})$ oracle queries를 사용하며 high probability를 보인다. 우리는 verifier-shielded certificate soundness, priority non-elicitation, black-box query separation, finite-precision reversible-oracle constructibility를 증명한다. 다음으로, 우리는 CARVE repair oracles에서 state-vector minimum finding을 65,536 assignment까지 수행하고, Lanelet2-grounded INTERACTION replay에서 100% 우선 순위에 대한 존중, 100% 책임에 대한 일치, zero priority false positives를 보장한다. 결과는 신뢰할 수 있는 양자-AI 패턴으로, 양자-AI가 제안하고, CARVE가 인증한다.
함께 읽으면 좋은 기사
Anthropic의 연간 매출액 6,500억 달러로 급증
모델 제작자(MODEL MAKER)는 2개월 만에 연간 $18 억 달러의 매출을 추가했다.
아마존이 책을 처음으로 판매하기 시작한 이후로 귀중한 책을 파괴하여 AI를 교육하고 있습니다.
진귀한 책들은 대규모 언어 모델(LLM) 교육에 매우 가치가 높다. 왜냐하면 이 모델들은 이미 온라인에서 접근할 수 있는 모든 것을 통해 교육을 받았기 때문이다.
구글 지니미(Google Gemini)의 보이는 워터마크를 끄는 방법이 나왔다!
구글은 이제 지니미와 플로(Google's AI video generator, Flow)에서 AI工具을 이용해 만든 미디어에 보이는 워터마크를 제거할 수 있는 기능을 제공합니다. 이 업데이트로, 사용자는 지니미와 플로의 새로운 '미디어 워터마크' 설정을 끌 수 있습니다. 워터마크가 끄면, 지니미에서 생성된 이미지, 비디오, 음악에 나타나는 '스파클(sparkle)' 워터마크가 사라집니다.
애플, 중국 위해 알리바바와 함께 자체 AI 모델을 교육
애플은 중국 시장에 맞는 맞춤형 AI 모델을 중국 기술巨인 알리바바와 함께 개발하고 훈련했다고 보고되었다. 이는 베이징과 워싱턴 간 커져가는 긴장감을 무시하고 중국과 미국 사이에 드문 획기적인 협력이다. 알리바바의 지원을 받으며 개발된 중국을 대상으로 한 대규모 언어 모델(LLM) 훈련은 알리바바와 함께 개발되었으며, 리트저스는 훈련에 대한 지원을 받았다고 세 명의 익명한 사람들의 진술에 근
대량 언어 모델(LLM) 개인화에 대한 대응: Meta-LoRA를 이용한 다원 도메인 선호도 학습
대규모 언어 모델(LLM)의 개인화를 위한 다원 도메인 선호도 학습은 새로운 대화 도메인에서 사용자 선호도에 맞는 응답을 생성하는 것을 목표로 합니다. 하지만 기존의 적응 방법은 적은 수의 대상 도메인 상호 작용만으로 업데이트한 크기를 조정하기 어려워 오버피팅을 일으키며, 역전파 방법은 사용자 선호도를 소스 도메인 오류와 혼동하여 불신할 수 있는 개인화 전제 조건과 부정적인 전이를 일으킵니다. 이러한 문제를 해결하기 위해, 우리는 PAC-Bayes-정규화된 Meta-LoRA를 제안하여, 업데이트한 크기를 증거의 질에 맞게 조정하고, 오버피팅을 최소화하며, 증거가 증가할 때 강한 개인화를 허용합니다.
듀얼-플로우 트랜스포머: 주요 프리 필 경로와 추가 디코딩 계산을 분리하는 방법
대규모 언어 모델은 더 많은 요청을 처리할수록,一次적인 학습 비용 대비 누적적인 추론 비용이 점점 더 중요해지고 있습니다. 추론의 두 가지 단계는 하드웨어를 다르게 부하를 주고 있습니다:_prompt prefill은 병렬적이고 일반적으로 계산량에 의존하는 반면, autoregressive decode는 순차적이고 종종 메모리 대역폭에 의존합니다. 전통적인 너비 또는 깊이 확대는 두 비용을 모
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.