การย้ายงาน
ยังไม่มีการย้ายงานที่เผยแพร่
งานวิจัย
งานวิจัย2026-10-30
Hierarchical World Models with Implicit Dynamics
- ทำอะไร
- คณะนักวิจัยได้พัฒนา ID-WM ซึ่งเป็นโมเดลโลกแบบลำดับชั้นที่แยกความสามารถในการเข้าถึงสถานะและการควบคุมเฉพาะที่ออกจากกัน เพื่อให้สามารถปฏิบัติงานที่ซับซ้อนและยาวนานได้
- ผลลัพธ์หลัก
- บันทึกประสิทธิภาพที่ดีขึ้น 38.5 เปอร์เซ็นต์เมื่อเทียบกับวิธีที่ดีที่สุดที่มีอยู่ และแสดงให้เห็นถึงประสิทธิภาพที่ดีขึ้น 135 เปอร์เซ็นต์เมื่อเทียบกับโมเดลโลกระดับเดี่ยว
- ความสำคัญ
- งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ที่หุ่นยนต์จะสามารถลดข้อผิดพลาดและวางแผนระยะยาวได้ แม้ในสภาพแวดล้อมที่ซับซ้อนและพบเป็นครั้งแรกสรุปโดย AI
งานวิจัย2026-10-29 · arXiv (Cornell University)
Proving and Improving the Platonic Representation Hypothesis with JEPAs
- ทำอะไร
- คณะนักวิจัยได้พิสูจน์สมมติฐานที่ว่าโมเดลปัญญาประดิษฐ์ที่เรียนรู้จากรูปแบบอินพุตที่แตกต่างกันจะลู่เข้าสู่การแทนค่าโลกแบบเดียวกัน ให้กลายเป็นทฤษฎีบททางคณิตศาสตร์ พร้อมทั้งนำเสนอวิธีการปรับปรุง
- ผลลัพธ์หลัก
- ได้รับการยืนยันว่าโมเดลที่ใช้มุมมองที่ดีสามารถจับคู่การแทนค่าได้อย่างมีประสิทธิภาพด้วยข้อมูลที่น้อยกว่าวิธีทำนายโทเค็นถัดไปอย่างมาก
- ความสำคัญ
- งานวิจัยนี้มีส่วนช่วยในการปรับปรุงวิธีที่ปัญญาประดิษฐ์ทำความเข้าใจข้อมูลได้อย่างมีประสิทธิภาพและเชื่อมโยงรูปแบบข้อมูลที่แตกต่างกันเข้าด้วยกันสรุปโดย AI
งานวิจัย2026-10-11 · arXiv (Cornell University)
LeHami: Symplectic Latent Dynamics for World Models
- ทำอะไร
- คณะผู้วิจัยได้พัฒนา LeHami ซึ่งเป็นวิธีการฝึกอบรมโมเดลโลกแบบใหม่ที่ผสมผสานคุณสมบัติทางเรขาคณิตของระบบฟิสิกส์เข้ากับปัญญาประดิษฐ์
- ผลลัพธ์หลัก
- วิธีนี้แตกต่างจากวิธีเดิมๆ โดยช่วยป้องกันไม่ให้ข้อมูลถูกบีบอัดและสูญหายระหว่างกระบวนการคาดการณ์ระยะยาว และช่วยเพิ่มประสิทธิภาพในการคาดการณ์ความเร็วได้อย่างมาก
- ความสำคัญ
- การศึกษานี้มีส่วนช่วยให้ปัญญาประดิษฐ์สามารถเข้าใจและจำลองพื้นที่ทางกายภาพได้อย่างแม่นยำยิ่งขึ้นสรุปโดย AI
งานวิจัย2026-10-05 · arXiv (Cornell University)
H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning
- ทำอะไร
- ได้พัฒนา H-JEPA (H-JEPA) ซึ่งเป็นโมเดลโลกแบบลำดับชั้นที่เรียนรู้โดยแบ่งระดับความนามธรรมตามช่วงเวลา
- ผลลัพธ์หลัก
- ในการทดลองในสภาพแวดล้อมจำลองและวิดีโอหุ่นยนต์จริง อัตราความสำเร็จในการวางแผนสูงขึ้นและประสิทธิภาพในการคำนวณดีขึ้นกว่าโมเดลระดับเดี่ยวแบบเดิม
- ความสำคัญ
- สามารถมีส่วนช่วยเพิ่มประสิทธิภาพในการควบคุมหุ่นยนต์และงานด้านภาพที่ต้องการการวางแผนระยะยาวที่ซับซ้อนสรุปโดย AI
งานวิจัย2026-10-04 · arXiv (Cornell University)
SheetSage2: Coherent Lead-Sheet Transcription with Synthetic Supervision
- ทำอะไร
- นำเสนอ SheetSage2 โมเดลการถอดเสียงดนตรีแบบ통합ที่แปลงบันทึกเสียงเป็นโน้ตดนตรีที่มนุษย์อ่านได้ (ลีดชีต) โดยอัตโนมัติ
- ผลลัพธ์หลัก
- โมเดลเดี่ยว SheetSage2-AR มีประสิทธิภาพเหนือกว่าระบบที่มีอยู่เดิมใน 12 จาก 15 คู่เกณฑ์มาตรฐานและตัวชี้วัดที่ประเมิน ดีขึ้นอย่างมากจากเวอร์ชันก่อนหน้า SheetSage1 และในบางเกณฑ์มาตรฐานยังแสดงประสิทธิภาพที่สูงกว่าโมเดลเฉพาะกิจสำหรับงานนั้นๆ อีกด้วย
- ความสำคัญ
- นี่คือการวิจัยที่ช่วยเพิ่มความแม่นยำของเทคโนโลยีการถอดเสียงดนตรี โดยมีการเปิดเผยน้ำหนักของโมเดลและโค้ดอนุมานเพื่อให้สามารถนำไปใช้ในการวิจัยหรือแอปพลิเคชันในอนาคตได้ อย่างไรก็ตาม จากบทคัดย่ออย่างเดียวเป็นการยากที่จะตัดสินความเป็นไปได้ในการ commercialize หรือขนาดตลาดสรุปโดย AI
งานวิจัย2026-09-28 · arXiv (Cornell University)
AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving
- ทำอะไร
- ได้ทำการประเมินเปรียบเทียบโมเดลโลกแบบอิงการทำนาย (ตระกูล JEPA) ที่ใช้ในการขับขี่อัตโนมัติ และเสนอโครงสร้างที่ปรับปรุงใหม่ AD-E2E-JEPA ซึ่งช่วยลดปริมาณการคำนวณลงอย่างมาก
- ผลลัพธ์หลัก
- รายงานระบุว่าโครงสร้างที่เสนอสามารถลดจำนวนแพตช์ที่ใช้ในการวางแผนลง 16 เท่า และลดมิติของอิมเบดดิ้งลง 4 เท่า ทำให้ความเร็วในการอนุมานเพิ่มขึ้นประมาณ 100 เท่า โดยที่ยังคงประสิทธิภาพการวางแผนไว้
- ความสำคัญ
- แม้ว่างานวิจัยนี้จะแสดงให้เห็นถึงทิศทางในการลดต้นทุนการคำนวณของ AI ขับขี่อัตโนมัติ แต่ก็ยากที่จะตัดสินประสิทธิผลในการใช้งานจริงกับรถยนต์และความเป็นไปได้ในการเชิงพาณิชย์จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI
งานวิจัย2026-08-17
Advancing Open and Reproducible Relational Learning: RelArena-$\alpha$, TabPFN-Rel and RPI
- ทำอะไร
- คณะนักวิจัยได้เปิดตัวแพลตฟอร์มเปรียบเทียบแบบ통합และซอฟต์แวร์ที่เกี่ยวข้องสองรายการในรูปแบบโอเพนซอร์ส เพื่อส่งเสริมการวิจัยในด้านการ learning เชิงสัมพันธ์
- ผลลัพธ์หลัก
- ในบรรดาเครื่องมือที่เปิดตัวใหม่ TabPFN-Rel ซึ่งเป็นโมเดลสำหรับฐานข้อมูลเชิงสัมพันธ์ ทำอันดับสูงสุดในแพลตฟอร์มการเปรียบเทียบ
- ความสำคัญ
- การเปิดตัวครั้งนี้สามารถเป็นรากฐานในการสร้างมาตรฐานการเปรียบเทียบที่เชื่อถือได้ในด้านการ learning เชิงสัมพันธ์ และช่วยสนับสนุนการนำไปใช้งานในงานวิจัยและภาคอุตสาหกรรมสรุปโดย AI
