扩散模型数据复制研究
扩散模型数据复制研究，本文研究旨在评估扩散模型是否能从其训练数据中复制内容：发现模型能复制LAION数据集的审美分割之外的图像。可能存在比所采用的检索方法可测量的更大量的复制，将该框架应用于在多个数据集上训练的扩散模型：本文还确定了包括流行的Stable Diffusion模型在内的扩散模型公然复制其训练数据的情况,扩散模型数据复制研究
221
0
0
Perplexity.AI发布，Yann LeCun点赞
由纽约大学校友创立的搜索引擎Perplexity.AI发布，将LLM（Large Language Model）和搜索引擎结合来进行问答。Perplexity.AI的推广语是LLM powered products for search。无需登录，直接可用。地址：https://www.perplexity.ai
15
1
0
美团外卖推荐智能流量分发的实践与探索
总美团外卖推荐团队在推荐算法的长期落地实践中，针对外卖业务情境化特点对排序模型进行深入探索与优化。本文介绍了面向情境化建模的“情境细分+统一模型”建模思路，通过用户行为序列建模以及专家网络两个模块的优化，实现不同场景间对信息独有性的刻画和信息共性的相互传递，进而提升全部流量效率。
1. 引言
2. 问题与挑战
3. 情境化智能流量分发
3.1 情境化长序列检索
3.2 情境化...
11
1
0
如何评价OpenAI的超级对话模型ChatGPT
过去做对话的思路是从局部到整体。甚至开发者都无需再了解「对话」这一场景的本质内涵（如前述的对话一致性），这种粗粒度搞对话系统的方式需要基础模型足够强大。这使得开发者无需再关注以往研究中的这些颇为头疼但又难以解决的问题，因此显然带有更原始的任务型对话系统的特征。它们是开放领域的任务型对话系统（不限任务范畴、任意输入形式），作为护城河的数据更是不会开源了今年最大的感受是。
8
1
0
综述｜一文掌握多模态领域的可控文本生成
我们将梳理和控制信号相关的描述生成（Captioning）工作，具体分为文本内容控制和风格控制两大方面，研究方向为视觉-文本理解与生成。研究方向为风格化跨模态文本生成。即控制信号会影响生成文本的结构和内容,任务输入视觉模态（图片/视频）和控制信号，输出一句描述视觉内容且和控制信号一致的文本，具体分析可控文本生成工作中的重点和难点。
8
1
0
MIT-IBM Watson AI Lab:Masataro Asai | 经典规划的强化学习：将启发式视为密集的奖励生成器
【推荐理由】强化学习（RL）的最新进展导致人们对将RL应用于经典规划领域或将经典规划方法应用于一些复杂的RL领域越来越感兴趣。在经典规划中发现的基于长期目标的问题导致RL的回报很少，本文提出利用经典规划文献中常用的领域无关启发式函数来提高RL的样本效率。这些经典启发式算法充当密集奖励生成器。并使RL智能体能够学习域特定值函数作为这些启发式算法的残差。
6
0
1
直播查看更多 
热门榜单
- 活动合作
- 微信社群
