“veri artırma” için sonuçlar
8 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay zeka konuşmacının sesini koruyarak farklı dillerde konuşabiliyor
Araştırmacılar, bir kişinin ses özelliklerini koruyarak farklı dillerde konuşma üretebilen gelişmiş yapay zeka sistemleri geliştirdi. Bu teknoloji, özellikle bilimsel iletişimde büyük potansiyel taşıyor. Çalışmada, Arapça, Çince ve Fransızca dillerinde ses klonlama modelleri test edildi ve OmniVoice temel modelini kullanan sistemler oluşturuldu. Araştırma ekibi, çoklu model topluluk damıtma yöntemiyle veri artırma tekniklerini kullanarak sistemin performansını iyileştirdi. Sonuçlar, konuşmacının ses benzerliğini korurken tüm dillerde anlaşılabilirliğin önemli ölçüde arttığını gösteriyor. Bu gelişme, bilimsel sunumların farklı dillere çevrilmesi, eğitim içeriklerinin yerelleştirilmesi ve çok dilli iletişim alanlarında devrim yaratabilir.
Yapay Zeka Topolojik Veri Analizi ile Güçlendiriliyor
Araştırmacılar, yapay sinir ağlarının performansını artırmak için yeni bir yaklaşım geliştirdi. Topolojik Veri Analizi (TDA) tekniklerini derin öğrenme ile birleştiren bu yöntem, verilerin şekil ve yapısal özelliklerini koruyarak sinir ağlarına ekstra bilgi sağlıyor. Geleneksel yaklaşımlar topolojik bilgileri global olarak özetlerken, yeni sistem yerel geometrik yapıları da koruyor. Morse-Smale kompleksi kullanılarak geliştirilen bu çerçeve, hem konvolüsyonel hem de grafik sinir ağları ile uyumlu çalışabiliyor. Histopatoloji görüntü sınıflandırması ve 3D gözenekli malzeme regresyonu testlerinde, mevcut yöntemlere kıyasla belirgin performans artışları elde edildi.
Yapay Zeka Kablosuz Haberleşmede Veri Eksikliği Sorununu Çözüyor
Araştırmacılar, kablosuz haberleşme sistemlerinde karşılaşılan veri yetersizliği problemine yenilikçi bir çözüm geliştirdi. LLM-AUG adlı yeni framework, büyük dil modellerinin öğrenme yeteneklerini kullanarak sentetik radyo frekansı verisi üretiyor. Geleneksel yöntemlerin aksine, bu sistem özel model eğitimi gerektirmeden yapılandırılmış komutlarla çalışıyor. RadioML veri seti üzerinde yapılan testlerde, sistem modülasyon sınıflandırma ve girişim tespiti gibi kritik görevlerde mevcut yöntemlerden daha başarılı sonuçlar elde etti. Bu gelişme, pahalı ve zaman alıcı RF veri toplama sürecine alternatif sunarak kablosuz teknolojilerin gelişimini hızlandırabilir.
Yapay Zeka Sınav Sistemlerinde Önyargı: İngilizce Öğrenen Öğrenciler Dezavantajda
Yapay zeka destekli otomatik sınav değerlendirme sistemleri, İngilizce öğrenen öğrenciler (ELL) için adaletsiz sonuçlar üretiyor. Araştırmacılar, bu sistemlerin mevcut önyargıları büyüttüğünü ve azınlık gruplarını kayırdığını keşfetti. Sorunun temelinde temsil eksikliği yatıyor: yüksek puan alan ELL öğrenci verisi az olduğu için, sistemler ana dili İngilizce olan öğrencilerin dilsel kalıplarını tercih ediyor. Bu durum, aynı bilgi düzeyine sahip ancak farklı dilsel ifadeler kullanan ELL öğrencilerinin puanlarının düşük çıkmasına neden oluyor. BRIDGE adlı yeni bir yaklaşım, gruplar arası veri artırma tekniği ile bu adaletsizliği gidermeyi hedefliyor.
Küçük yapay zeka modelleri büyük rakiplerini yakaladı
Araştırmacılar, küçük dil modellerinin eğitimi için yenilikçi bir veri artırma stratejisi geliştirdi. Bu yöntem, farklı belgelerden alınan bağlamları eşleştirerek konuya odaklı özetleme performansını artırıyor. SciTLDR veri seti üzerinde yapılan testlerde, T5-base gibi küçük modeller, çok daha az parametre kullanmasına rağmen büyük modellerle rekabet edebilir performans gösterdi. Yöntem, Wikipedia'dan türetilen konularla zenginleştirilmiş veriler kullanarak modellerin konu-özet ilişkilerini daha etkili öğrenmesini sağlıyor. Veri artırma ölçeği arttıkça modellerin başarı oranı ve anlambilimsel uyumu da artıyor.
Yapay Zeka Robotlarının Çevresel Değişikliklere Adaptasyonu İyileştiriliyor
Görme-Dil-Eylem modellerinde (VLA) yaşanan çevresel değişikliklere karşı kırılganlık sorunu çözüm buluyor. Araştırmacılar, robotların küçük nesne pozisyon değişikliklerinde bile başarısız olma problemini 'yörünge aşırı öğrenme' olarak tanımlıyor. Bu durumda robotlar, eylemler ve nesneler arasındaki sahte korelasyonlara odaklanarak ezberledikleri kalıpları tekrarlıyor. Yeni geliştirilen PDF (Perturbation learning with Delayed Feedback) yöntemi, temel modelde ince ayar yapmadan test zamanında adaptasyon sağlıyor. Bu yaklaşım, belirsizlik tabanlı veri artırma ve eylem oylama ile sahte korelasyonları azaltırken, adaptif bir zamanlayıcı performans-verimlilik dengesini koruyor. Hafif bir pertürbasyon modülü de gecikmeli geri bildirimle eylem güvenilirliğini retrospektif olarak ayarlıyor.
Yapay Zeka ile Gerçekçi Kafa Değiştirme Teknolojisi Geliştirildi
Araştırmacılar, dijital medyada kişilerin kafalarını başka vücutlarla birleştiren yeni bir yapay zeka sistemi geliştirdi. AHS (Adaptif Kafa Sentezi) adı verilen bu teknoloji, mevcut yöntemlerin aksine sadece yüz bölgesiyle sınırlı kalmıyor, farklı saç stilleri ve çeşitli baş pozlarıyla da başarılı sonuçlar üretiyor. Sistem, sentetik veri artırma stratejisi kullanarak eşleştirilmiş eğitim verilerine ihtiyaç duymadan çalışabiliyor. Bu gelişme, film endüstrisi, sanal gerçeklik uygulamaları ve dijital içerik üretimi alanlarında önemli fırsatlar sunuyor.
Yapay Zeka Öneri Sistemleri Kullanıcı Davranışlarına Göre Kendini Ayarlamayı Öğrendi
Araştırmacılar, Netflix ve Amazon gibi platformlarda kullanılan öneri sistemlerinde devrim yaratabilecek yeni bir teknoloji geliştirdi. 'AdaTTA' adı verilen bu sistem, her kullanıcının benzersiz davranış kalıbını analiz ederek kendini otomatik olarak ayarlayabiliyor. Geleneksel yöntemler tüm kullanıcılara aynı yaklaşımı uygularken, yeni teknoloji pekiştirmeli öğrenme kullanarak her kişiye özel stratejiler belirliyor. Sistem, kullanıcının geçmiş tercihlerini Markov Karar Süreci olarak modelleyip, en uygun veri artırma tekniklerini seçiyor. Bu yaklaşım, mevcut model yapısını değiştirmeden öneri doğruluğunu önemli ölçüde artırıyor ve veri yetersizliği sorununa çözüm sunuyor.