XiaoMi-AI文件搜索系统
World File Search SystemBubeck
赎回
1 K. Scaman，F。Bach，S。Bubeck，Y。Lee和L.Massoulié，“网络中凸的分布式优化的最佳收敛速率”，J。Mach。学习。res。，卷。20，pp。1–31，2019。2 li，Q.，dioo，Y.，Chen，Q。和He，B。（2022）。非IID数据孤岛的联合学习：一项实验研究。2022年IEEE第38届国际数据工程会议（ICDE）（IEEE），pp。965–978。3 Kairouz，P.，McMahan，H.B.，Avent，B.，Bellet，A.，Bennis，M.，Bhagoji，A.N.，Bonawitz，K.，Charles，Z. 在联邦学习中进步和开放问题。 机器学习中的基础和趋势®14，1-210。3 Kairouz，P.，McMahan，H.B.，Avent，B.，Bellet，A.，Bennis，M.，Bhagoji，A.N.，Bonawitz，K.，Charles，Z.在联邦学习中进步和开放问题。机器学习中的基础和趋势®14，1-210。
攻击，防御和评估LLM对话安全：调查
近年来，对话大语模型（LLMS）1经历了快速发展（Touvron等人，2023; Chiang等。，2023; Openai，2023a），在不同应用中显示出强大的对话功能（Bubeck等人，2023; Chang等。，2023）。但是，在对话期间也可以利用LLMS来促进诸如欺诈和网络攻击之类的危害活动，并出现重大的社会风险（Gupta等人。，2023; Mozes等。，2023;刘等。，2023b）。这些风险包括有毒含量的传播（Gehman等人。，2020年），歧视性双期的持续性（Hartvigsen等人，2022），并传播错误信息（Lin等人，2022）。对LLM交通安全性的日益关注 - 特别是确保LLM依据没有有害信息 - 已导致广泛的攻击和国防研究
数学161机器学习的数学基础
课程描述机器学习方法中数学概念的简介，重点是开发新机器学习算法所需的理论工具。主题包括线性代数和矢量计算，以应用于监督学习，回归，分类，无监督学习，群集，降低性降低以及在机器学习算法中使用的优化和概率理论。先决条件数学010a，具有c-或更高的级别，数学031，具有c-或更高等级；或等效；或讲师的同意。MARC PETER DEISENROTH，A。AldoFaisal和Cheng Suong Ong其他资源凸出凸出优化：算法和复杂性（第8卷第8号3-4，2015）由SébastienBubeckMatrix方法在数据挖掘和模式识别中（2007年）的Lars Elden建议的讲座时间表
将生成的AI带入教育中的自适应学习
生成的AI（genai）是指基于从给定的培训数据中学到的模式和信息生成新内容的人工智能模型，包括文本，图像，Audio和视频（Cao等人，2023）。与传统的机器学习（ML）算法不同，该算法的重点是分析和解释数据，Genai旨在创建新的原始输出，因此能够解决更具挑战性的问题。随着Genai技术的最新成功，例如大语言模型和扩散模型，在自然语言处理（NLP）中产生类似人类的输出（Bubeck等人），2023）和计算机视觉（CV）（Ramesh等人，2022），将Genai应用于现实世界问题的发展正在迅速增加，这是从科学传播的（Walters＆Murcko，2020； Lopez等人。，2020），财务（Rane，2023; Br uhl，2023）对教育（Cooper，2023; Baidoo-Anu＆Owusu andah ansah，2023）。
生成的AI安全：挑战和对策
生成AI（Genai）系统使用户能够快速生成高质量的内容。大语模型（LLM）的最新进展（Radford等人，2019年； Chowdhery等。，2022;布朗等人。，2020年； Touvron等。，2023; Bubeck等。，2023; Schulman等。，2022; Openai，2023年；拟人化，2023年），视觉语言模型（VLMS）（Radford等人，2021;刘等。，2023a; Driess等。，2023;团队，2023年）和扩散模型（Ramesh等人，2021; Song等。，2020年；杨等。，2023年）彻底改变了Genai的能力。开放的Web应用程序安全项目（OWASP）已编制了对LLM应用程序的十大漏洞和威胁的详细列表（Owasp，2023）。Genai模型旨在了解和生成具有超过传统机器学习系统的自主权，提供新颖的能力来理解视觉场景，生成文本，代码，图像以及与人类和互联网服务互动的新型功能。此功能可以实现更广泛的应用程序，并以这种方式引入了这些新型Genai集成应用所特有的新安全挑战。在本文中，我们讨论了该领域的挑战和机遇，从本节开始，从安全风险开始，包括Genai模型如何成为攻击的目标，一个无意中损害安全性的“傻瓜”，或者是坏演员攻击他人的工具。
人工智能困境：增长与生存风险
人工智能 (AI) 的最新进展可能会在未来几年提高生活水平。蛋白质折叠、语音识别以及生成模型在生成文本和图像方面的惊人成就已经超出了几年前的预期（Bubeck 等人，2023 年）。人工智能似乎很可能在短期内增强我们的创新能力，而且人工智能在许多认知任务上匹敌甚至超越人类智能并开始自我创新肯定是有可能的。一旦机器能够产生想法，研究人员的数量和质量所设定的增长限制可能不再存在，增长率可能会加快，甚至有可能导致所谓的无限消费的“奇点”。Aghion、B. Jones 和 C. Jones（2019 年）；Trammell 和 Korinek（2020 年）；Davidson（2021 年）； Nordhaus ( 2021 )；以及 Erdil 和 Besiroglu ( 2023 )。另一方面，这些进步并非没有风险。包括 OpenAI 和谷歌的顶尖研究人员在内的人工智能社区的相当一部分人警告说，这些进步可能对人类构成生存风险，要么来自“坏人”对人工智能的恶意使用，要么甚至可能来自超级智能人工智能本身。更简洁地说，人工智能可以比电力或互联网提高生活水平。但它可能带来超过核武器的风险。此外，这些可能性——无论可能性如何——都是相互关联的。正是在这样的世界状态下，人工智能足够强大，可以带来深刻的增长
心理健康诊断评估 - Scholar Commons
[1] Arun James Thirunavukarasu、Darren Shu Jeng Ting、Kabilan Elangovan、Laura Gutierrez、Ting Fang Tan 和 Daniel Shu Wei Ting。医学中的大型语言模型。自然医学，29(8)：1930-1940，2023 年。[2] Nitin Rane。ChatGPT 和类似的生成式人工智能 (ai) 对建筑和建筑行业的贡献：大型语言模型对工业 4.0、工业 5.0 和社会 5.0 的贡献、机遇和挑战。大型语言模型对工业的机遇和挑战，4，2023 年。[3] Peter Lee、Sebastien Bubeck 和 Joseph Petro。GPT-4 作为医学人工智能聊天机器人的好处、局限性和风险。新英格兰医学杂志，388(13):1233–1239，2023 年。[4] Joseph Ford、Felicity Thomas、Richard Byng 和 Rose McCabe。患者健康问卷 (phq-9) 在实践中的应用：患者与医生之间的互动。定性健康研究，30(13):2146–2159，2020 年。[5] Sverre Urnes Johnson、Pål Gunnar Ulvenes、Tuva Øktedalen 和 Asle Hoffart。异质精神病样本中广泛性焦虑症 7 项 (gad-7) 量表的心理测量特性。 Frontiers in psychology，10:1713，2019。[6] Long Ouyang，Jeffrey Wu，Xu Jiang，Diogo Almeida，Carroll Wainwright，Pamela Mishkin，Chong Zhang，Sandhini Agarwal，Katarina Slama，Alex Ray 等。训练语言模型以遵循带有人类反馈的指令。神经信息处理系统进展，35:27730–27744，2022。
生成式人工智能飞轮的创新动力
12 Sébastien Bubeck 等人，通用人工智能的火花：GPT-4 的早期实验。arXiv (2023)。在对定义进行大量争论之后，NSCAI 的委员们将当今与 AGI 之间的某种东西解释为“更通用的人工智能”。这一术语抓住了狭义人工智能与 AGI 理论概念之间的创新状态。请参阅国家人工智能安全委员会最终报告，第 35-36 页 (2021)。13 例如，请参阅 Linda Geddes，DeepMind 在《科学大跃进》中揭示 2 亿种蛋白质的结构，卫报 (2022)。有关创新的定义，请参阅 Fred Gault，《定义和衡量所有经济部门的创新》，研究政策 (2018)。14 Marco Ianisiti 和 Karim R. Lakhani，《人工智能时代的竞争：算法和网络统治世界时的战略与领导力》，哈佛商学院出版社 (2020)。 15 Madhumita Murgia，《为什么计算机生成的数据被用来训练人工智能模型》，《金融时报》（2023 年）。16 Michael Chui 等人，《生成式人工智能的经济潜力：下一个生产力前沿》，麦肯锡公司（2023 年）；另请参阅 Vildana Hajric 和 Lu Wang，《人工智能比美联储更能影响与经济脱节的股票》，彭博社（2023 年）。17 Eric Schmidt，《人工智能将如何改变科学研究的方式》，《麻省理工技术评论》（2023 年）。