“gürültü ekleme” için sonuçlar
4 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Kuantum yapay zeka modellerinde çığır açan 'gürültü yükleme' yöntemi geliştirildi
Araştırmacılar, kuantum bilgisayarlar için yeni bir yapay zeka modeli paradigması geliştirdi. 'Klasik gürültü yeniden yükleme' adı verilen bu yaklaşım, mevcut kuantum üretici modellerinin en büyük sorunu olan aşırı düşük başarı oranlarını çözüyor. Geleneksel yöntemler çok adımlı gürültü ekleme ve temizleme işlemleri gerektirirken, yeni sistem tek adımda veri üretebiliyor. Bu durum hem eğitim sürecini basitleştiriyor hem de kuantum durum hazırlama karmaşıklığını önemli ölçüde azaltıyor. Klasik gürültü örneklemesi sayesinde uygulama kolaylığı da artıyor. Deneysel sonuçlar, bu yöntemin mevcut kuantum üretici modellerden daha kaliteli sonuçlar verdiğini gösteriyor.
Yapay Zeka Tıbbi Görüntülerde Segmentasyonu Eğitim Gerektirmeden Geliştirebiliyor
Araştırmacılar, tıbbi görüntü segmentasyonunu eğitim gerektirmeden iyileştiren SegTTA adlı yeni bir framework geliştirdi. Bu sistem, farklı hastanelerdeki ekipman ve operatör farklılıklarından kaynaklanan görüntü kalitesi sorunlarını çözmek için tasarlandı. Framework, gamma düzeltme, kontrast artırma, Gaussian bulanıklaştırma ve gürültü ekleme gibi dört farklı veri artırma tekniğini birleştiriyor. Sistemi test etmek için sağlıklı rahim segmentasyonu, rahim miyomu tespiti ve karaciğer yapıları segmentasyonu gibi üç farklı dataset kullanıldı. Sonuçlar, büyük organların yoğunluk artırımından, küçük lezyonların ise gürültü artırımından faydalandığını gösterdi. Bu yaklaşım, mevcut modelleri yeniden eğitmeye gerek kalmadan tıbbi görüntü analizi performansını artırabiliyor.
Yapay Zeka Modellerinin Paralel Test Zamanı Ölçeklendirme Yaklaşımında Yeni Yöntem
Araştırmacılar, büyük dil modellerinin performansını artırmak için kullanılan paralel test zamanı ölçeklendirme (TTS) yaklaşımını, gizli muhakeme modellerine uyarladı. Geleneksel yöntemler, birden fazla düşünce zinciri oluşturup sonuçları oylamayla birleştirirken, yeni yaklaşım sürekli vektör uzayında çalışan modeller için tasarlandı. Ekip, Monte Carlo Dropout ve Gaussian Gürültü ekleme gibi belirsizlik temelli örnekleme stratejileri geliştirdi. Ayrıca, adım adım karşıtsal öğrenme ile eğitilen Gizli Ödül Modeli (LatentRM) sayesinde farklı çözüm yollarını daha etkili bir şekilde değerlendirip birleştirebildi. Bu yenilik, yapay zeka sistemlerinin muhakeme yeteneklerini geliştirirken hesaplama verimliliğini de artırıyor.
Gürültü Ekleme Tekniği Yapay Zeka Modellerini Daha Güvenilir Hale Getiriyor
Yapay zeka modelleri genellikle eğitildikleri verilerden farklı kaynaklardan gelen veriler üzerinde başarısız oluyor. COVID-19 tespiti için göğüs röntgenlerini analiz eden modeller, yeni hastanelerden gelen görüntülerde beklenmedik hatalar yapabiliyor. Araştırmacılar, bu sorunu çözmek için eğitim sırasında görüntülere kontrollü gürültü ekleme yöntemini test etti. Gaussian, speckle, Poisson ve tuz-biber gürültüsü türleri kullanılarak yapılan deneylerde, modellerin farklı kaynaklardan gelen veriler üzerindeki performansı önemli ölçüde iyileşti. Bu teknik, AI sistemlerinin gerçek dünyada daha güvenilir çalışması için umut verici bir yaklaşım sunuyor.