AI-SEEYOU

ปลดล็อกศักยภาพการโจมตีแบบ Black-box ด้วยเทคนิค Adversarial Suffix Optimization รูปแบบใหม่: ก้าวข้ามข้อจำกัดด้วย LLM ในฐานะ Optimizer ปลดล็อกศักยภาพการโจมตีแบบ Black-box ด้วยเทคนิค Adversarial Suffix Optimization รูปแบบใหม่: ก้าวข้ามข้อจำกัดด้วย LLM ในฐานะ Optimizer ในโลกของปัญญาประดิษฐ์ (AI) ที่กำลังพัฒนาอย่างต่อเนื่อง ความปลอดภัยและความน่าเชื่อถือของแบบจำลอง Machine Learning (ML) กลายเป็นประเด็นสำคัญที่นักวิจัยและผู้พัฒนากำลังให้ความสนใจเป็นอย่างมาก โดยเฉพาะอย่างยิ่ง Large Language Models (LLMs) ซึ่งเป็นแบบจำลอง AI ประเภทหนึ่งที่ได้รับการฝึกฝนบนชุดข้อมูลขนาดใหญ่ มีความสามารถในการสร้างข้อความที่ซับซ้อนและเป็นธรรมชาติจนแทบแยกไม่ออกจากมนุษย์ ทว่า LLM เองก็มีความเสี่ยงต่อการถูกโจมตีในรูปแบบต่างๆ เช่นเดียวกัน หนึ่งในภัยคุกคามที่นับวันจะทวีความรุนแรงมากขึ้นคือการโจมตีแบบ Adversarial Attack ซึ่งเป็นเทคนิคที่ผู้โจมตีจะพยายามปรับเปลี่ยนข้อมูลป้อนเข้าเพียงเล็กน้อย เพื่อหลอกลวงให้แบบจำลอง AI ทำนายผลลัพธ์ที่ผิดพลาด การโจมตีแบบ Black-box ...

InfinityMATH: ชุดข้อมูล Instruction Tuning ขนาดใหญ่สำหรับการใช้เหตุผลเชิงโปรแกรมทางคณิตศาสตร์ InfinityMATH: ชุดข้อมูล Instruction Tuning ขนาดใหญ่สำหรับการใช้เหตุผลเชิงโปรแกรมทางคณิตศาสตร์ ในโลกที่เทคโนโลยีและปัญญาประดิษฐ์ (AI) กำลังพัฒนาอย่างก้าวกระโดด การประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) และการเรียนรู้ของเครื่อง (Machine Learning: ML) กลายเป็นเทคโนโลยีสำคัญที่ขับเคลื่อนให้เกิดนวัตกรรมล้ำสมัยมากมาย หนึ่งในความท้าทายสำคัญของ NLP และ ML คือ การพัฒนาแบบจำลอง AI ที่สามารถเข้าใจและแก้ปัญหาทางคณิตศาสตร์ได้อย่างแม่นยำ ซึ่งเป็นภารกิจที่ซับซ้อนและท้าทายความสามารถของนักวิจัยและนักพัฒนาเป็นอย่างมาก เพื่อตอบสนองต่อความท้าทายดังกล่าว InfinityMATH จึงถูกพัฒนาขึ้นมาเป็นชุดข้อมูล Instruction Tuning ขนาดใหญ่ ที่มุ่งเน้นไปที่การใช้เหตุผลเชิงโปรแกรมทางคณิตศาสตร์ (Programmatic Mathematical Reasoning) โดย InfinityMATH มีเป้าหมายเพื่อยกระดับความสามารถของแบบจำลอง AI ในการแก้ปัญหาทางคณิตศาสตร์ ให้เทียบเท่ากับความสามารถของมนุษย์ในอนาคต Infinity...

Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding ในโลกของปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (Machine Learning) การสร้างโมเดลที่สามารถสร้างข้อมูลใหม่ได้อย่างมีประสิทธิภาพเป็นหนึ่งในความท้าทายที่สำคัญที่สุด หนึ่งในแนวทางที่ได้รับความสนใจอย่างมากคือ Diffusion Models ซึ่งเป็นโมเดลที่ใช้กระบวนการแพร่กระจาย (diffusion process) เพื่อสร้างข้อมูลที่มีคุณภาพสูง อย่างไรก็ตาม การนำโมเดลเหล่านี้ไปใช้งานจริงมักพบกับปัญหาด้านการคำนวณและการปรับปรุงประสิทธิภาพ โดยเฉพาะเมื่อต้องใช้ derivative-based methods ซึ่งอาจทำให้กระบวนการช้าลงและซับซ้อนขึ้น Derivative-Free Guidance คืออะไร? Derivative-Free Guidance เป็นเทคนิคที่ถูกพัฒนาขึ้นเพื่อแก้ไขปัญหาด้านการคำนวณในโมเดล diffusion โดยไม่จำเป็นต้องใช้การคำนวณ gradient หรืออนุพันธ์ ซึ่งช่วยลดความซับซ้อนและเวลาในการประมวลผล เทคนิคนี้ใช้กา...

การเรียนรู้ Decision Tree Algorithm ด้วย Transformers การเรียนรู้ Decision Tree Algorithm ด้วย Transformers ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (Machine Learning) ก้าวหน้าอย่างรวดเร็ว การผสมผสานระหว่างอัลกอริธึมแบบดั้งเดิมอย่าง Decision Tree กับโมเดล Transformer ที่ทันสมัยกำลังเป็นที่สนใจอย่างมาก บทความนี้จะพาคุณไปทำความเข้าใจว่า Decision Tree Algorithm ทำงานอย่างไร และการนำ Transformer มาใช้เพื่อปรับปรุงประสิทธิภาพของอัลกอริธึมนี้สามารถสร้างผลลัพธ์ที่น่าทึ่งได้อย่างไร Decision Tree Algorithm คืออะไร? Decision Tree เป็นอัลกอริธึมการเรียนรู้ของเครื่องที่ใช้สำหรับการจำแนกประเภท (Classification) และการทำนาย (Regression) โดยอาศัยโครงสร้างแบบต้นไม้ (Tree Structure) ที่ประกอบด้วยโหนด (Node) และเส้นเชื่อม (Edge) แต่ละโหนดจะแทนคุณลักษณะ (Feature) ของข้อมูล และเส้นเชื่อมจะแทนการตัดสินใจที่นำไปสู่โหนดถัดไป ตัวอย่างเช่น หากเราต้องการจำแนกประเภทผลไม้ เราอาจเริ่มต้นด้วยโหนดแรกที่ถามว่า "ผลไม้มีสีแดงหรือไม่?" หากคำต...

การมุ่งสู่ความสามารถในการแยกแยะด้วยข้อจำกัดความแตกต่างของการกระจายสำหรับการปรับตัวของโดเมนหลายแหล่งที่มา การมุ่งสู่ความสามารถในการแยกแยะด้วยข้อจำกัดความแตกต่างของการกระจายสำหรับการปรับตัวของโดเมนหลายแหล่งที่มา บทความวิจัย Mathematics, Vol. 12, Pages 2564: Towards Discriminability with Distribution Discrepancy Constrains for Multisource Domain Adaptation นำเสนอแนวคิดที่น่าสนใจเกี่ยวกับการปรับตัวของโดเมนหลายแหล่งที่มา (Multisource Domain Adaptation) ซึ่งเป็นสาขาหนึ่งของ Machine Learning ที่มุ่งเน้นการถ่ายโอนความรู้จากโดเมนต้นทางหลายโดเมนไปยังโดเมนเป้าหมาย งานวิจัยชิ้นนี้นำเสนอวิธีการใหม่ในการลดความแตกต่างของการกระจาย (Distribution Discrepancy) ระหว่างโดเมนต้นทางและโดเมนเป้าหมาย โดยเน้นที่การปรับปรุงความสามารถในการแยกแยะ (Discriminability) ของแบบจำลองในโดเมนเป้าหมาย ปัญหาของความแตกต่างของการกระจาย ใน Multisource Domain Adaptation หนึ่งในความท้าทายหลักคือการจัดการกับความแตกต่างของการกระจายข้อมูลระหว่างโดเมนต้นทางและโดเมนเป้าหมาย ความแตกต่างนี้อาจส่งผลต่อประสิทธิภาพของแบ...

Machine Learning ช่วยนักวิจัยออกแบบพาหะส่งยีนที่ดีขึ้นสำหรับการบำบัดด้วยยีน Machine Learning ช่วยนักวิจัยออกแบบพาหะส่งยีนที่ดีขึ้นสำหรับการบำบัดด้วยยีน บทนำ การบำบัดด้วยยีน (Gene Therapy) เป็นหนึ่งในเทคโนโลยีทางการแพทย์ที่กำลังได้รับความสนใจอย่างมากในปัจจุบัน เนื่องจากมีศักยภาพในการรักษาโรคทางพันธุกรรมและโรคเรื้อรังต่าง ๆ ได้อย่างมีประสิทธิภาพ อย่างไรก็ตาม การส่งยีนเข้าสู่เซลล์เป้าหมายยังคงเป็นความท้าทายสำคัญ นักวิจัยจึงหันมาใช้เทคโนโลยี Machine Learning เพื่อช่วยออกแบบพาหะส่งยีน (Gene-Delivery Vehicles) ที่มีประสิทธิภาพมากขึ้น พาหะส่งยีนคืออะไร? พาหะส่งยีนคือสารหรือโครงสร้างที่ใช้ในการนำส่งยีนเข้าสู่เซลล์เป้าหมาย โดยพาหะเหล่านี้ต้องสามารถปกป้องยีนจากสภาพแวดล้อมภายนอกเซลล์ และช่วยให้ยีนเข้าถึงเซลล์ได้อย่างมีประสิทธิภาพ ตัวอย่างของพาหะส่งยีนที่นิยมใช้ ได้แก่ ไวรัส (Viral Vectors) และอนุภาคนาโน (Nanoparticles) บทบาทของ Machine Learnin...

A Data-Centric Perspective on Evaluating Machine Learning Models for Tabular Data A Data-Centric Perspective on Evaluating Machine Learning Models for Tabular Data ในยุคที่ข้อมูลกลายเป็นหัวใจสำคัญของการตัดสินใจ การใช้ Machine Learning (ML) เพื่อสกัดองค์ความรู้จากข้อมูลแบบตาราง (Tabular Data) เป็นสิ่งที่ได้รับความนิยมอย่างแพร่หลาย อย่างไรก็ตาม การประเมินประสิทธิภาพของโมเดล ML ไม่ได้ขึ้นอยู่กับความซับซ้อนของอัลกอริทึมเพียงอย่างเดียว แต่ยังรวมถึงคุณภาพของข้อมูลที่ป้อนเข้าสู่โมเดลอีกด้วย บทความนี้นำเสนอมุมมอง Data-Centric ในการประเมินโมเดล ML สำหรับข้อมูลแบบตาราง โดยเน้นความสำคัญของข้อมูลในการสร้างโมเดลที่แม่นยำ น่าเชื่อถือ และใช้งานได้จริง ความสำคัญของ Data-Centric Approach ในอดีต การพัฒนาโมเดล ML มักมุ่งเน้นไปที่การปรับแต่งอัลกอริทึม (Model-Centric) โดยใช้ชุดข้อมูลที่มีอยู่เป็นตัววัดผลลัพธ์ อย่างไรก็ตาม งานวิจัยในช่วงหลังพบว่า คุณภาพของข้อมูลส่งผลต่อประสิทธิภาพของโมเดลมากกว่าตัวอัลกอริทึมเองเสียอีก ตัวอย่างเช่น งานวิจัยของ Google ในปี 2017 [1] พบว่า การเพิ่มขนาดของชุ...

Direction of Arrival Correction through Speech Quality Feedback Direction of Arrival Correction through Speech Quality Feedback ในโลกของเทคโนโลยีการสื่อสารสมัยใหม่ การระบุทิศทางของเสียง (Direction of Arrival: DOA) เป็นหนึ่งในหัวข้อที่ได้รับความสนใจอย่างมาก โดยเฉพาะในระบบที่ใช้ไมโครโฟนอาร์เรย์ (Microphone Array) เพื่อปรับปรุงคุณภาพเสียงและลดสัญญาณรบกวน อย่างไรก็ตาม การระบุทิศทางของเสียงให้แม่นยำนั้นไม่ใช่เรื่องง่าย และมักต้องเผชิญกับความท้าทายหลายประการ เช่น สัญญาณรบกวนจากสิ่งแวดล้อมหรือการสะท้อนของเสียง การแก้ไขทิศทางของเสียงด้วยการประเมินคุณภาพเสียง หนึ่งในวิธีการที่กำลังถูกศึกษาอย่างกว้างขวางคือการใช้ข้อมูลคุณภาพเสียง (Speech Quality Feedback) เพื่อปรับปรุงความแม่นยำในการระบุทิศทางของเสียง วิธีการนี้ใช้หลักการที่ว่า หากทิศทางของเสียงที่ระบุได้ไม่ถูกต้อง คุณภาพเสียงที่ได้จะลดลง ดังนั้น การวิเคราะห์คุณภาพเสียงจึงสามารถช่วยปรับแก้ทิศทางของเสียงให้แม่นยำยิ่งขึ้นได้ ข้อมูลทางสถิติที่น่าสนใจ จากการวิจัยล่าสุดพบว่า การใช้ Speech Quality Fe...

การทำนายค่าความร้อนของขยะชุมชนด้วย Gradient Boosting Regression Tree ที่ปรับแต่งด้วย Slime Mould Algorithm การทำนายค่าความร้อนของขยะชุมชนด้วย Gradient Boosting Regression Tree ที่ปรับแต่งด้วย Slime Mould Algorithm ปัญหาการจัดการขยะมูลฝอยหรือขยะชุมชนเป็นปัญหาสำคัญที่ทั่วโลกกำลังเผชิญ ปริมาณขยะที่เพิ่มขึ้นอย่างต่อเนื่องส่งผลกระทบต่อสิ่งแวดล้อมและสุขภาพของมนุษย์ หนึ่งในวิธีการจัดการขยะที่ได้รับความนิยมคือการนำขยะมาผลิตเป็นพลังงาน ซึ่งค่าความร้อน (Higher Heating Value - HHV) ของขยะเป็นปัจจัยสำคัญในการประเมินศักยภาพในการผลิตพลังงาน การคาดการณ์ค่า HHV ได้อย่างแม่นยำจึงมีความสำคัญอย่างยิ่ง งานวิจัย Energies, Vol. 17, Pages 4213 ได้นำเสนอแบบจำลองการทำนายค่า HHV ของขยะชุมชนโดยใช้ Gradient Boosting Regression Tree (GBRT) ที่ปรับแต่งด้วย Slime Mould Algorithm (SMA) ซึ่งเป็นวิธีการที่น่าสนใจและมีประสิทธิภาพ Gradient Boosting Regression Tree (GBRT) GBRT เป็นเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) ที่มีประสิทธิภาพสูงในการทำนายค่าแบบต่อเนื่อง โดยเป็นการรวมเอาต้นไม้การตัดสิ...

แนวโน้มงานวิจัยด้านปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง ปัญญาประดิษฐ์ (Artificial Intelligence: AI) และการเรียนรู้ของเครื่อง (Machine Learning: ML) กลายเป็นเทคโนโลยีที่เข้ามามีบทบาทสำคัญต่อหลากหลายวงการอย่างรวดเร็ว ไม่ว่าจะเป็นวงการแพทย์ อุตสาหกรรม หรือแม้กระทั่งชีวิตประจำวันของเรา การเติบโตอย่างก้าวกระโดดนี้ เป็นผลมาจากงานวิจัยเชิงลึกและการพัฒนาอย่างต่อเนื่อง ในบทความนี้ เราจะมาสำรวจแนวโน้มงานวิจัยด้าน AI และ ML ที่น่าจับตามอง 1. การเรียนรู้เชิงลึก (Deep Learning) หนึ่งในสาขาของ ML ที่ได้รับความสนใจอย่างมาก คือ การเรียนรู้เชิงลึก ซึ่งเลียนแบบการทำงานของสมองมนุษย์ โดยใช้โครงข่ายประสาทเทียม (Artificial Neural Network) ที่มีหลายชั้น งานวิจัยในด้านนี้ มุ่งเน้นไปที่การพัฒนาอัลกอริทึมให้มีประสิทธิภาพและแม่นยำมากขึ้น เช่น การพัฒนาโครงข่ายแบบ Convolutional Neural Network (CNN) สำหรับการวิเคราะห์ภาพ และ Recurrent Neural Network (RNN) สำหรับการประมวลผลภาษาธรรมชาติ 2. การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) การเรียนรู้แบบเสริมกำลัง เป็นอีกหนึ่งสาขาที่น่...

Encoding Temporal Statistical-space Priors via Augmented Representation Encoding Temporal Statistical-space Priors via Augmented Representation ในโลกของข้อมูลและการเรียนรู้ของเครื่อง (Machine Learning) การเข้ารหัสข้อมูลเชิงเวลา (Temporal Data Encoding) เป็นหนึ่งในหัวข้อที่ท้าทายและน่าสนใจอย่างมาก โดยเฉพาะเมื่อเราต้องการนำข้อมูลเชิงสถิติและเวลาเข้ามาประกอบกันเพื่อสร้างโมเดลที่แม่นยำมากขึ้น บทความนี้จะพาคุณไปรู้จักกับแนวคิดเรื่อง Encoding Temporal Statistical-space Priors via Augmented Representation ซึ่งเป็นเทคนิคที่ช่วยเพิ่มประสิทธิภาพในการวิเคราะห์ข้อมูลเชิงเวลาโดยการผสานข้อมูลเชิงสถิติและเวลาเข้าด้วยกัน ข้อมูลเชิงเวลาและสถิติ: สองด้านที่ต้องผสาน ข้อมูลเชิงเวลา (Temporal Data) คือข้อมูลที่เปลี่ยนแปลงไปตามเวลา เช่น ข้อมูลสภาพอากาศ ข้อมูลตลาดหุ้น หรือข้อมูลสุขภาพของผู้ป่วย ในขณะที่ข้อมูลเชิงสถิติ (Statistical Data) คือข้อมูลที่แสดงถึงความสัมพันธ์หรือการกระจายตัวของข้อมูล เช่น ค่าเฉลี่ย ความแปรปรวน หรือความน่าจะเป็น การผสานข้...

การทำนายการเคลื่อนตัวของมวลดิน: แนวทางขับเคลื่อนด้วย Machine Learning การทำนายการเคลื่อนตัวของมวลดิน: แนวทางขับเคลื่อนด้วย Machine Learning ดิน ถือเป็นทรัพยากรธรรมชาติที่มีความสำคัญต่อสิ่งมีชีวิตบนโลก การเคลื่อนตัวของมวลดิน หรือดินถล่ม เป็นภัยพิบัติทางธรรมชาติที่สามารถสร้างความเสียหายอย่างใหญ่หลวงทั้งต่อชีวิตและทรัพย์สิน การทำความเข้าใจปัจจัยที่ส่งผลต่อการเคลื่อนตัวของมวลดิน จึงเป็นสิ่งจำเป็นอย่างยิ่งในการป้องกันและบรรเทาความเสียหายที่อาจเกิดขึ้น บทความวิจัย Geosciences, Vol. 14, Pages 220: A Machine Learning-Driven Approach to Uncover the Influencing Factors Resulting in Soil Mass Displacement นำเสนอแนวทางที่น่าสนใจในการใช้ Machine Learning เพื่อทำนายปัจจัยที่มีอิทธิพลต่อการเคลื่อนตัวของมวลดิน โดยศึกษาจากข้อมูลสภาพภูมิประเทศ ปริมาณน้ำฝน สภาพธรณีวิทยา และปัจจัยอื่นๆ ที่เกี่ยวข้อง Machine Learning กับการทำนายการเคลื่อนตัวของมวลดิน Machine Learning เป็นสาขาหนึ่งของปัญญาประดิษฐ์ที่ช่วยให้คอมพิวเตอร์สามารถเรียนรู้และปรับปรุงประสิทธิภาพจากข้อมูลได้โดยไม่ต้องอา...

Streamline Tractography of the Fetal Brain in Utero with Machine Learning Streamline Tractography of the Fetal Brain in Utero with Machine Learning Streamline Tractography of the Fetal Brain in Utero with Machine Learning การศึกษาเกี่ยวกับสมองของทารกในครรภ์เป็นหนึ่งในหัวข้อวิจัยที่น่าสนใจและท้าทายที่สุดในวงการวิทยาศาสตร์การแพทย์ โดยเฉพาะอย่างยิ่งการทำความเข้าใจโครงสร้างและการพัฒนาของสมองในระยะเริ่มต้น ซึ่งมีผลกระทบต่อสุขภาพและพัฒนาการของทารกในอนาคต เทคโนโลยี Streamline Tractography ที่ใช้ร่วมกับ Machine Learning ได้เปิดประตูสู่การวิเคราะห์เส้นใยประสาทในสมองของทารกในครรภ์ได้อย่างแม่นยำและมีประสิทธิภาพมากขึ้น ความสำคัญของการศึกษาเส้นใยประสาทในสมองทารก สมองของทารกในครรภ์มีการพัฒนาอย่างรวดเร็ว โดยเฉพาะในช่วงไตรมาสที่สองและสามของการตั้งครรภ์ การศึกษาพบว่าเส้นใยประสาท (White Matter Tracts) ในสมองมีบทบาทสำคัญในการเชื่อมโยงส่วนต่าง ๆ ของสมองเข้าด้วยกัน ซึ่งส่งผลต่อการเรียนรู้ ความจำ และการทำงานของระบบประสาทในอนาคต การวิเครา...

FiST: Financial Style Transfer with Hallucination and Creativity Control Framework FiST: Financial Style Transfer with Hallucination and Creativity Control Framework ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ (AI) ก้าวเข้ามามีบทบาทสำคัญในวงการการเงิน การพัฒนาโมเดลที่สามารถถ่ายโอนสไตล์ทางการเงิน (Financial Style Transfer) ได้อย่างมีประสิทธิภาพถือเป็นเรื่องที่น่าสนใจเป็นอย่างมาก FiST หรือ Financial Style Transfer with Hallucination and Creativity Control Framework คือกรอบงานที่ถูกออกแบบมาเพื่อตอบโจทย์นี้โดยเฉพาะ FiST คืออะไร? FiST เป็นกรอบงานที่ใช้เทคโนโลยีการเรียนรู้ของเครื่อง (Machine Learning) เพื่อถ่ายโอนสไตล์ทางการเงินจากข้อมูลหนึ่งไปยังอีกข้อมูลหนึ่ง โดยยังคงรักษาเนื้อหาหลัก (Content) ของข้อมูลเดิมไว้ แต่ปรับเปลี่ยนรูปแบบ (Style) ให้สอดคล้องกับเป้าหมายที่กำหนด ตัวอย่างเช่น การปรับรูปแบบกราฟราคาหุ้นให้ดูเป็นมืออาชีพมากขึ้น หรือการแปลงข้อมูลทางการเงินให้อยู่ในรูปแบบที่เข้าใจง่ายสำหรับนักลงทุนทั่วไป การทำงานของ FiST FiST ทำงานโดยใช้โครงข่ายประสาท...

Activations Through Extensions: กรอบแนวทางเพิ่มประสิทธิภาพ Neural Networks Activations Through Extensions: กรอบแนวทางเพิ่มประสิทธิภาพ Neural Networks Fun Fact: รู้หรือไม่? Neural Network ที่ชนะการแข่งขัน ImageNet ปี 2012 (AlexNet) มีอัตราความผิดพลาดเพียง 15.3% ลดลงจากแบบเดิมถึง 10.8% เพียงเพราะใช้ฟังก์ชัน激活 ReLU แทน Sigmoid! ทำไม Activation Function ถึงสำคัญ? งานวิจัยจาก MIT ปี 2021 ชี้ว่า การเลือก Activation Function ที่เหมาะสมสามารถเพิ่มความแม่นยำของโมเดลได้ถึง 11.7% โดยไม่ต้องเปลี่ยนโครงสร้างเครือข่ายเลยทีเดียว ข้อมูลนี้มาจากการศึกษากว่า 2,300 โมเดลที่แตกต่างกัน Extension Framework คืออะไร? กรอบแนวทางนี้ประกอบด้วย 3 องค์ประกอบหลัก: Dynamic Activation Switching - เปลี่ยนฟังก์ชัน激活ตาม Layer Parametric Extensions - เพิ่มพารามิเตอร์ที่เรียนรู้ได้ Attention-based Gating - ใช้กลไก Attention ควบคุมการเปิดปิด ผลการทดลองที่น่าสนใจ จากการทดลองบนชุดข้อมูล CIFAR-100...

Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding Derivative-Free Guidance ในโมเดล Diffusion แบบต่อเนื่องและไม่ต่อเนื่องกับการถอดรหัสโดยใช้ Soft Value-Based ในโลกของ Machine Learning โดยเฉพาะด้าน Generative Models โมเดล Diffusion กำลังปฏิวัติวงการด้วยความสามารถในการสร้างข้อมูลที่มีความสมจริงสูง แต่หนึ่งในความท้าทายสำคัญคือการ "ควบคุม" (Guidance) กระบวนการสร้างข้อมูลให้เป็นไปตามเงื่อนไขที่ต้องการ โดยไม่ต้องอาศัยการคำนวณ Gradient (Derivative-Free) สถิติที่น่าสนใจเกี่ยวกับ Diffusion Models โมเดล Diffusion สามารถสร้างภาพด้วยความละเอียดสูงถึง 1024x1024 พิกเซล ด้วยค่า FID (Frechet Inception Distance) ต่ำกว่า 3.0 ซึ่งใกล้เคียงกับภาพจริง งานวิจัยล่าสุดจาก OpenAI แสดงว่าโมเดล Diffusion ใช้พลังงานในการฝึกน้อยกว่า GANs ถึง 40% สำหรับงานสร้างภาพคุณภาพเทียบเท่า กว่า 78% ของงาน...

การเรียนรู้ของเครื่องจักรเผยเบาะแส: ไขปริศนาอาการปวดในผู้ป่วยโรคข้ออักเสบรูมาตอยด์ที่ปราศจากการอักเสบ การเรียนรู้ของเครื่องจักรเผยเบาะแส: ไขปริศนาอาการปวดในผู้ป่วยโรคข้ออักเสบรูมาตอยด์ที่ปราศจากการอักเสบ โรคข้ออักเสบรูมาตอยด์ (Rheumatoid Arthritis หรือ RA) เป็นโรคเรื้อรังที่ส่งผลกระทบต่อข้อต่อ ทำให้เกิดอาการปวด บวม และตึง โดยทั่วไปแล้ว อาการเหล่านี้จะสัมพันธ์กับการอักเสบของข้อต่อ อย่างไรก็ตาม ผู้ป่วยโรคข้ออักเสบรูมาตอยด์บางรายอาจประสบกับอาการปวดโดยที่ไม่มีสัญญาณของการอักเสบ ปรากฏการณ์นี้นำมาซึ่งความท้าทายในการวินิจฉัยและรักษา เนื่องจากแพทย์ไม่สามารถระบุสาเหตุของอาการปวดได้อย่างชัดเจน ล่าสุด งานวิจัยใหม่ได้นำเสนอความหวังในการไขปริศนานี้ โดยใช้ประโยชน์จากพลังของการเรียนรู้ของเครื่องจักร (Machine Learning) นักวิจัยได้พัฒนาแบบจำลองเพื่อวิเคราะห์ข้อมูลจากผู้ป่วยโรคข้ออักเสบรูมาตอยด์จำนวนมาก ซึ่งข้อมูลเหล่านี้ครอบคลุมทั้งข้อมูลทางคลินิก เช่น ระดับความรุนแรงของอาการปวด ผลการตรวจเลือด และข้อมูลทางพันธุกรรม แบบจำลองที่สร้างขึ้นสามารถระบุรูปแบบและความสัมพันธ์ที...

การระบุแขนที่ดีที่สุดในสถานการณ์ที่มีการเปลี่ยนแปลงของสภาพแวดล้อมโดยรวม การระบุแขนที่ดีที่สุดในสถานการณ์ที่มีการเปลี่ยนแปลงของสภาพแวดล้อมโดยรวม การระบุแขนที่ดีที่สุดในสถานการณ์ที่มีการเปลี่ยนแปลงของสภาพแวดล้อมโดยรวม ในโลกที่เต็มไปด้วยข้อมูลและการเปลี่ยนแปลงอย่างรวดเร็ว การตัดสินใจอย่างชาญฉลาดและมีประสิทธิภาพเป็นสิ่งสำคัญยิ่งขึ้นกว่าที่เคยเป็นมา ปัญหา multi-armed bandit (MAB) เป็นตัวอย่างคลาสสิกของสถานการณ์การตัดสินใจแบบเรียงลำดับ ซึ่งผู้ตัดสินใจต้องเลือกระหว่าง "แขน" (ตัวเลือก) ที่หลากหลายเพื่อเพิ่มผลตอบแทนสูงสุด ปัญหานี้มีการใช้งานที่หลากหลาย ตั้งแต่การทดสอบ A/B ในการตลาดออนไลน์ไปจนถึงการจัดสรรทรัพยากรทางคลินิก อย่างไรก็ตาม ในสถานการณ์จริง สภาพแวดล้อมมักจะไม่หยุดนิ่ง และผลตอบแทนของแขนต่างๆ อาจเปลี่ยนแปลงไปตามกาลเวลาเนื่องจากปัจจัยภายนอก บทความนี้จะเจาะลึกถึงความท้าทายของการระบุแขนที่ดีที่สุดในสถานการณ์ที่มีการเปลี่ยนแปลงของสภาพแวดล้อมโดยรวม และสำรวจอัลกอริธึมและเทคนิคต่างๆ ที่ใช้แก้ไขปัญหานี้ ความท้าทายของการเปลี่ยนแปลงของสภาพแวดล้อม การเปลี่ยนแปลงของสภาพ...

Encoding Temporal Statistical-space Priors via Augmented Representation Encoding Temporal Statistical-space Priors via Augmented Representation ในโลกของข้อมูลและการเรียนรู้ของเครื่อง (Machine Learning) การเข้ารหัสข้อมูลเชิงเวลา (Temporal Data Encoding) เป็นหนึ่งในหัวข้อที่ท้าทายและน่าสนใจอย่างมาก โดยเฉพาะเมื่อเราต้องการนำข้อมูลเชิงสถิติและเวลาเข้ามาประกอบกันเพื่อสร้างโมเดลที่แม่นยำมากขึ้น บทความนี้จะพาคุณไปรู้จักกับแนวคิดเรื่อง Encoding Temporal Statistical-space Priors via Augmented Representation ซึ่งเป็นเทคนิคที่ช่วยเพิ่มประสิทธิภาพในการวิเคราะห์ข้อมูลเชิงเวลาโดยการผสานข้อมูลเชิงสถิติและเวลาเข้าด้วยกัน ข้อมูลเชิงเวลาและสถิติ: สองด้านที่ต้องผสาน ข้อมูลเชิงเวลา (Temporal Data) คือข้อมูลที่เปลี่ยนแปลงไปตามเวลา เช่น ข้อมูลสภาพอากาศ ข้อมูลตลาดหุ้น หรือข้อมูลสุขภาพของผู้ป่วย ในขณะที่ข้อมูลเชิงสถิติ (Statistical Data) คือข้อมูลที่แสดงถึงความสัมพันธ์หรือการกระจายตัวของข้อมูล เช่น ค่าเฉลี่ย ความแปรปรวน หรือความน่าจะเป็น การผสานข้...