Publication: The Granular Trade and Production Activities (GRANTPA) Database
本文介绍了粒度贸易和生产活动 (GRANTPA) 数据库，其中涵盖...
El Niño and La Niña transitions affect tropical cyclone development half a world away
蝴蝶效应表明，系统的小变化可能会对最终结果产生很大的影响。一个用于说明这个概念的隐喻是蝴蝶拍打的翅膀，只是导致飓风跨过海洋。尽管气象学家目前对天气的因果关系并不是这种细粒度的理解，但研究人员正在积极研究温度，降雨，风模式等如何影响世界一半的天气现象。
Protect sensitive data in RAG applications with Amazon Bedrock
在这篇文章中，我们探讨了使用Amazon Bedrock在抹布应用中确保敏感数据的两种方法。第一种方法着重于在摄入亚马逊基石知识库之前识别和编辑敏感数据，第二种方法显示了一种细粒度的RBAC模式，用于管理检索过程中访问敏感信息的访问。这些解决方案仅代表了在生成AI应用中确保敏感数据的众多方法中的两种可能的方法。
Controlling Language and Diffusion Models by Transporting Activations
大型生成模型变得越来越有能力，并且更广泛地部署到电力生产应用程序中，但是让这些模型确切地产生所需的东西仍然具有挑战性。对这些模型的输出的细粒度控制对于满足用户的期望和减轻潜在的滥用非常重要，从而确保了模型的可靠性和安全性。为了解决这些问题，Apple Machine Learning研究人员开发了一种新技术，该技术具有模态性敏捷性，并通过可忽略的计算开销对模型的行为进行了精细的控制，而…
Aggregate-and-Adapt Natural Language Prompts for Downstream Generalization of CLIP
大型预训练视觉语言模型（如 CLIP）已显示出良好的泛化能力，但在专业领域（例如卫星图像）或细粒度分类（例如汽车模型）中可能会遇到困难，因为在预训练期间看不到视觉概念或视觉概念代表性不足。即时学习提供了一个参数高效的微调框架，即使在注释数据有限的情况下，也可以使 CLIP 适应下游任务。在本文中，我们通过从自然语言提示（人工或 LLM 生成）中提取文本知识来改进即时学习，以提供……
Demystifying Azure Storage Account network access
揭开 Azure 存储帐户网络访问的神秘面纱服务端点和私有端点动手实践：包括 Azure Backbone、存储帐户防火墙、DNS、VNET 和 NSG 连接网络 — 图片来自 Unsplash 上的 Nastya Dulhiier1. 简介存储帐户在建立企业数据湖的徽章架构中起着至关重要的作用。它们充当集中式存储库，实现生产者和消费者之间的无缝数据交换。此设置使消费者能够执行数据科学任务并构建机器学习 (ML) 模型。此外，消费者可以将数据用于检索增强生成 (RAG)，通过 ChatGPT 等大型语言模型 (LLM) 促进与公司数据的交互。高度敏感的数据通常存储在存储帐户中。在数据科学家和
CtrlSynth: Controllable Image-Text Synthesis for Data-Efficient Multimodal Learning
预训练稳健的视觉或多模态基础模型（例如 CLIP）依赖于大规模数据集，这些数据集可能存在噪声、可能错位且具有长尾分布。先前的研究已显示出通过生成合成样本来扩充数据集的良好结果。但是，它们仅支持特定领域的临时用例（例如，仅支持图像或文本，但不能同时支持两者），并且由于缺乏对合成过程的细粒度控制，数据多样性有限。在本文中，我们设计了一个可控的图像文本合成管道 CtrlSynth，用于数据高效且稳健的……
Contrastive Localized Language-Image Pre-Training
对比语言-图像预训练 (CLIP) 是一种广受赞誉的方法，用于训练视觉编码器生成图像/文本表示，以促进各种应用。最近，CLIP 已被广泛用作多模态大型语言模型 (MLLM) 的视觉主干，以连接图像输入以进行语言交互。CLIP 作为视觉语言基础模型的成功依赖于在图像级别对齐网络爬取的嘈杂文本注释。然而，这样的标准可能不足以满足需要细粒度视觉表示的下游任务，尤其是……
Optimizing Document Understanding with DocOwl2: A Novel High-Resolution Compression Architecture
理解多页文档和新闻视频是人类日常生活中的一项常见任务。为了解决这种情况，多模态大型语言模型 (MLLM) 应该具备理解具有丰富视觉文本信息的多幅图像的能力。然而，理解文档图像比自然图像更具挑战性，因为它需要更细粒度的感知。使用 DocOwl2 优化文档理解：一种新颖的高分辨率压缩架构，首次出现在 AI Quantum Intelligence 上。
A Powerful EDA Tool: Group-By Aggregation
照片由 Mourizal Zativa 在 Unsplash 上拍摄了解如何使用分组聚合从数据中发现见解探索性数据分析 (EDA) 是数据分析师的核心能力。每天，数据分析师的任务都是发现“看不见的”东西，或者从浩瀚的数据中提取有用的见解。在这方面，我想分享一种我认为有助于从数据中提取相关见解的技术：分组聚合。为此，本文的其余部分将安排如下：Pandas 中分组聚合的解释数据集：大都会州际交通大都会交通 EDA分组聚合分组聚合是一种数据处理技术，包含两个步骤。首先，我们根据特定列的值对数据进行分组。其次，我们在分组数据上执行一些聚合操作（例如，求和、平均值、中位数、唯一计数）。当我们的数据很细粒
What We Learned from a Year of Building with LLMs (Part III): Strategy
我们之前分享了我们在操作 LLM 应用程序时磨练的策略的见解。策略是细粒度的：它们是用于实现特定目标的具体行动。我们还分享了我们对运营的看法：支持战术工作以实现目标的更高级别流程。但这些目标从何而来？这是战略的领域。战略回答 […]
