XiaoMi-AI文件搜索系统
World File Search SystemGenerative
如何准备好生成的预训练的大语言模型来解释孟加拉语语法错误？
抽象的语法校正校正（GEC）工具，由先进的生成人工智能（AI）提供动力，在用户输入中有效地纠正了语言的不准确性。但是，它们通常在提供基本的自然语言解释方面缺乏，这些解释是学习语言并获得对语法规则的更深入的理解。在低资源语言（例如孟加拉语）中对这些工具的探索有限。在这样的语言中，革命错误说明（GEE）系统不仅应正确句子，而且还应提供错误的解释。这种综合方法可以帮助语言学习者寻求提高能力。我们的工作介绍了一个现实世界中的多域数据集，该数据集来自孟加拉语扬声器，具有不同的义务水平和语言复杂性。此数据集可作为GEE系统的评估基准标记，允许他们使用上下文信息来生成有意义的解释和高质量的更正。Various generative pre-trained large language models (LLMs), in- cluding GPT-4 Turbo, GPT-3.5 Turbo, Text-davinci-003, Text-babbage- 001, Text-curie-001, Text-ada-001, Llama-2-7b, Llama-2-13b, and Llama-2-70b, are assessed against human experts for performance comparison.我们的研究强调了自动部署孟加拉人GEE的当前最新生成预培训的LLM的局限性。主张进行人干预，我们的发现提议合并手动检查以解决语法错误并提高反馈质量。这种方法提出了一种更合适的策略，以重新确定孟加拉语的GEC工具，并阐明了语言学习的教育方面。
生成数据集增强的域间隙嵌入
本文通过利用大型预训练模型来探讨合成数据的潜力，尤其是在面对分布变化时。al-尽管生成模型的最新进展已经阐明了跨分布数据发生的几项先前的作品，但它们需要模型调整和复杂的设置。为了绕过这些缺点，我们介绍了主要的g a a a a a a a a embeddings（doge），这是一个跨分布的插件语义数据augpection框架，几乎没有射击设置。我们的方法以潜在形式提取源和所需数据分布之间的差异，然后引导生成过程，以补充无数多种合成样本的训练集。我们的评估是在几个射击范式下进行亚种群偏移和三个领域适应方案进行的，表明我们的多功能方法改善了各个任务的性能，需要进行动手干预或复杂的调整。Doge铺平了毫不费力地生成遵循测试分布的现实，可转让的合成数据集的道路，从而加强了下游任务模型的现实世界效率。
CETL指南：生成AI
Bender，E。M.，Gebru，T。McMillan-Major，A。＆Shmitchell，S。（2021）。关于随机鹦鹉的危险：语言模型会太大吗？在关于公平，问责制和透明度会议上（FACCT '21），3月3日至10日，2021年，加拿大虚拟活动。ACM，纽约，纽约，美国，14页。 https://doi.org/10.1145/3442188.3445922ACM，纽约，纽约，美国，14页。https://doi.org/10.1145/3442188.3445922
重新思考生成人工智能评估
无论您从事的教育程度如何，这篇文章都是试图说服您试图抓住或检测GAI是徒劳的。不仅如此，检测工具和其他窃的调查器可能是不道德的，对GAI使用的惩罚性方法将增加教育工作者的工作量。今年，我在澳大利亚州和各州的许多不同学校工作。我已经提出了很多有关GAI和评估的问题，因此我将以FAQ介绍这篇文章。如果在文章结尾处，您仍然认为检测是一个可行的选择，我鼓励您通过左侧的“联系表”按钮与您取得联系。
任何身份的生成学位 - CVF Open Access
在大规模数据集训练的生成模型的最新进展使得可以合成各个领域的高质量样本。此外，强烈反转网络的出现不仅可以重建现实世界图像，还可以通过各种编辑方法对属性进行修改。，在与隐私问题有关的某些领域中，例如Human Faces，先进的生成模型以及强大的反转方法可能会导致潜在的滥用。在此过程中，我们提出了一个必不可少但探索的任务不足的任务，称为生成身份，该任务引导该模型不要生成特定身份的图像。在未经学习的生成身份中，我们针对以下内容：（i）防止具有固有身份的图像的产生，以及（ii）保留生成模型的整体质量。为了满足这些目标，我们提出了一个新颖的框架，对任何IDE NTITY（指南）进行了努力，该框架通过仅使用单个图像来删除发电机来阻止特定身份的重建。指南由两个部分组成：（i）找到一个优化的目标点，该目标点未识别源潜在代码和（ii）促进学习过程的新型损失函数，同时影响较小的学习分布。我们的广泛实验表明，我们提出的方法在通用机器学习任务中实现了最先进的性能。该代码可在https://github.com/khu-agi/guide上找到。
朝着负责任的教育生成AI的负责发展：一种评估驱动的方法
7月 *的Irina *，‡，，赫尔曼（Herman），丹尼尔·卡森伯（DanielKasenber§ Wei-Jen KO 3，Andrera Huber 1，Bretht Wastshire 1，Gall Elidan，Rabin 2，Roni Robinin 2，Robiviit Engelberg 2，Lydan Hackmon 2，Ravil 2，Rachel棕色1，绿色Chiir§，1，Grand Studina Grand We-Xin Dog 3，Marchal 1，Racsite Van Deman 4，儿童区，Abbhipolo 3，Striopolous 3，Annihe Hale 5，Wais Matatas 2，Ben Gomes 3特征1
具有扩散模型的生成文本视频检索
现有的文本视频检索解决方案本质上是侧重于最大程度地提高条件可能性的模型，即P（候选人|查询）。虽然很简单，但这种事实上的范式却忽略了基本的数据分布p（查询），这使得识别出分布数据的挑战。为了解决这一限制，我们从生成观点创造性地解决了此任务，并将文本和视频之间的相关性建模为其关节概率P（候选人，查询）。这是通过基于扩散的文本视频检索框架（扩散-RET）来完成的，该框架将检索任务建模为从噪声中产生关节分布的过程。在训练过程中，从发电和犯罪的角度优化了Diffusionret，其发电机通过生成损失优化，并且具有对比度损失的训练的特征提取器。以这种方式，diffusionret巧妙地杠杆化了生成和歧视方法的优势。在五个常用的文本检索基准测试中进行了广泛的实验，包括MSRVTT，LSMDC，MSVD，ActivityNet字幕和DIDEMO，并具有出色的性能，证明了我们方法的效果。更加谨慎，没有任何修改，diffusionret甚至在外域检索设置中表现良好。我们认为这项工作带来了对相关领域的基本见解。代码可从https://github.com/jpthu17/diffusionret获得。
网络安全中的生成AI
AI技术的快速进步，尤其是与机器学习（ML）和深度学习（DL）相关的技术的快速进步，已大大扩大了自动化系统攻击和防御能力的范围。ml是指可以在不明确编程的情况下从数据中学习的算法，而DL通过利用复杂的人工神经网络来基于ML构建ML，以从数据中的复杂模式中学习。但是，这一进度呈现了一把双刃剑。一方面，AI增强了网络安全度量，从而能够开发出强大的预测安全系统。另一方面，它具有同等授权的网络对手，他们利用这些技术来开发可超越传统安全措施，适应新环境并以惊人效率逃避检测的恶意软件。