總之就是重設 chrome
熱門文章
-
影片重點概述： 實驗設計：創作者提出「CPB 飲食」（Chicken, Potato, Broccoli + carrots）為期30天的短期重置飲食。規則：只吃雞胸、馬鈴薯、綠花椰與紅蘿蔔；每餐最多可用1湯匙橄欖油；禁用含熱量飲料與人工甜味劑；可以無限制吃到飽但不計...
-
在現代人工智慧與機器學習領域中，隨機取樣（sampling）是許多模型訓練與推論的基礎工具，尤其是對於近似推斷、生成模型等應用更是不可或缺。然而，面對離散分布（discrete distributions）的取樣問題，如何有效且可微地近似對其取樣長久以來是難題。傳統方法如Gib...
-
在機器學習領域中，線性分類器（halfspaces）是經典且基礎的模型之一，其理論與應用價值深遠。如何在存在標籤噪音的情況下，仍能有效且高效地學習出良好分類器，一直是理論計算機科學和統計學的重要課題。2019 年 NeurIPS 發表的論文《Distribution-Indep...
-
在生成式人工智慧領域，圖像生成一直是最具挑戰性與研究熱度的課題之一。傳統的自回歸模型（Autoregressive Models, AR）在文字生成任務中取得了巨大成功，例如 GPT 系列模型，但其在高解析度圖像生成上常因計算複雜度與序列長度過長導致效能不佳。另一方面，近年來擴...
-
在機器學習與人工智慧領域中，離散機率分佈的抽樣問題長期以來都是一大挑戰。離散變數的組合空間隨維度爆炸性成長，使得經典的抽樣方法如吉布斯抽樣（Gibbs Sampling）或Metropolis-Hastings (MH) 演算法在實務操作中常常遭遇效率瓶頸，導致收斂速度慢、樣本...
-
在現代人工智慧與機器學習領域中，對於資料中潛在生成因子（latent generative factors）的理解與抽取，一直被視為提升模型解釋力與泛化能力的關鍵。所謂「disentangled representation」（可解繫表示）指的是一種潛在向量表徵，其中各維度各自...
-
在當前機器學習與人工智慧領域中，模型的泛化能力一直是研究的核心課題。傳統的監督式學習假設訓練數據與測試數據來自相同分布（In-Distribution，ID），但現實中的應用環境往往更為複雜，測試階段可能遭遇模型未曾見過的樣本，即「分布外（Out-of-Distribution...
-
在自然語言處理（NLP）的發展歷程中，預訓練語言模型加上特定任務的微調（fine-tuning）已成為提升表現的主流方法。這種架構透過在大規模語料庫中預先學習語言知識，再針對下游任務利用數千甚至數萬筆標註資料做微調，成功推動了機器翻譯、問答系統、語意理解等多項能力。然而，這種依...
-
近年來，擴散模型（Diffusion Models）因其在生成影像、音訊等多媒體資料上的卓越表現，成為生成式模型領域的熱門研究方向。儘管如此，關於擴散模型中泛化能力的本質機制仍未被完全理解，尤其在模型如何利用資料的內在結構與幾何特性來達成高品質生成，尚缺乏完整理論解析。本篇由 ...
-
在強化學習（Reinforcement Learning, RL）領域中，如何穩定且有效地學習最優策略一直是核心研究問題。Lu 和 Schuurmans 於 2018 年 NeurIPS 發表的論文《Non-delusional Q-learning and Value-ite...
