신경symbolic AI를 위한 RAIL 원칙: 사유, 보증, 인터페이스, 학습
신경symbolic AI 시스템은 머신 러닝과 symbol reasoning을 통합하는 시스템으로 빠르게 주목을 받고 있습니다. 이들은 신경망과 언어 모델의 데이터 기반 통계적 접근 방식과 함께 symbol reasoning 알고리즘을 통합하여 많은 실세계적 응용 프로그램을 특징으로 하는 고위험 영역이나 데이터 부족한 영역에서 작동할 수 있습니다. 우리는 신경symbolic AI가 머신 러닝과 형식적 reasoning의 combination으로서 특정 분야에 한정된 접근 방식이 아닌, 신뢰할 수 있는, 효율적이고 궁극적으로 신뢰할 수 있는 시스템 개발에 중요시 되는 많은 성공적인 기법을 포함하는 접근 방식이라고 주장합니다. 이 관점은 현재 AI 시스템의 디자인을 다시 검토하게 합니다. 우리는 RAIL framework를 적용하여 많은 선두 AI 시스템, 일부는 전통적으로 신경symbolic AI로 간주되지 않는 시스템을, reasoning, assurances, interfacing, learning (RAIL) 네 가지 원칙의 관점에서 분석할 수 있습니다. 이러한 RAIL 원칙은 물리적 aware 머신 러닝부터 neuro-guided search (예: Google DeepMind의 Alpha-* suite)까지, causal learning, tool-augmented 대규모 언어 모델에 이르는 다양한 AI 영역에서 적용될 수 있습니다. importantly, RAIL 원칙은 생산급 AI 시스템의 디자인과 배포에 대한 더 잘 정보가 있고 더 원칙적인 결정을 내릴 수 있도록 해줄 것입니다. 이 기사에서 우리는 RAIL 원칙을 소개하고 주요 AI 영역에서 어떻게 적용할 수 있는지, 그리고 다음세대 AI 기술에 neurosymbolic 방법을 통합하는 방법을 가이드할 수 있는지 살펴보겠습니다.
함께 읽으면 좋은 기사
스트로크 위험도 예측을 위한 새로운 AI 기술: MedGate-Fusion
스트로크 위험도를 예측하는 것은 원치 않는 병력이 발생하기 전에 중요한 역할을 합니다. 그러나 이 과제는 의사들이 주기적으로 기록하는 생리학적 바이오마커와 비구조적인 의료 기록의 사이에 분산되어 있는 초기 위험 신호를 식별하는 어려움으로 인해 힘들어집니다. MedGate-Fusion은 이러한 문제를 해결하기 위해 처음 만나는 의료 기록의 의미론적 이야기와 10개의 정기적으로 기록된 위험 표시자를 통합하는 멀티 모달 게이트 아키텍처를 제안합니다. 이 아키텍처는 대규모 언어 모델(LLM)과 같은 기존의 AI 기술을 사용하여 의료 기록의 의미를 추출하고 생리학적 바이오마커의 정보를 통합하여 스트로크 위험도를 예측합니다.
AI가 관리하는 수학적 정의의 저고리: Lean Pool
Lean Pool은 AI agent들이 관리, 최적화하는 수학적 정의의 저고리입니다. 이 저고리는 수학적 이론과 공식의 정형화된 아카이브입니다. AI가 관리하는 저고리는 수학적 정의의 정확성과 완전성을 보장합니다.
기존의 전제 조건자들이 생의학 표준 표 데이터 학습을 개선하는가? 표준 표 데이터 학습 최적화에 대한 실증 연구
최근 구조화된 생물학적 데이터 분석에 있어서 표준화된 기초 모델(tabular foundation model)이 강력한 잠재력을 보인다. 그 중 하나인 TabPFN은 낮은 데이터 표준화 분류 작업에서 효과적인 접근 방식으로 나타났지만, 최적화 및 조건화 전략의 생물학적 세부 튜닝에 대한 영향은 여전히 크게 연구되지 않았다. 본 연구에서, 우리는 59 개의 생물학적 데이터셋(Alzheimer'
OpenAI, 수학적 문제 100개 이상 해결한 AI에 전문가 조언단 설립
OpenAI는 대규모 언어 모델(LLM)로 수학적 문제를 해결한 이후, 수학적 문제 해결을 위한 전문가 조언단을 설립했습니다. 이 조언단은 OpenAI의 수학적 연구 진행을 늦추거나 방향을 바꾸지 못할 것입니다.
AI가 회계사들을 과감히 폐지할 수 있는 'Tabby'가 등장했습니다!
Tabby는 실시간 회계 인터페이스를 제공하며, 고객의 서류를 처리하는 동시에 업계의 손익을 실시간으로 제공합니다. AI가 회계업무를 자동화하여 회계사들의 역할을 과감히 줄이는 중입니다.
SAS 비전 트랜스폼러에 기반한 강화된 대비 학습
아티클 번호: 2609.21061v1 발표 유형: 새로운 개요: 합성 어레이 소나(SAS)를 사용하는 자동 목표 식별(AUTR)은 고급 해군 기능을 지원하지만, 깊은 학습은 희소한 목표 이미지를, 배경 잡음 및 인간의 평가를 제한한다. 우리는 바다 속 SAS AUTR을 위한 DINOv3 비전 트랜스포머(ViT) 모델을 3단계의 매개 변수 효율적인 프레임워크로 적응시킨다. 단계 1은 ViT 백
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.