Uncovering-Emergent-Low-Dimensional-Structure-with-%CE%93-VAE

Extracting-Usable-Predictions-from-Quantized-Networks-through-Uncertainty-Quantification-for-OOD-Detection

Teaching-MLP-More-Graph-Information-Three-stage-Multitask-Knowledge-Distillation-Framework

Large-Scale-Alignment-for-Chatbots-Overcoming-Scalability-Challenges-in-LLM-Training

Adaptive-Multi-Scale-Fusion-for-Night-Image-Visibility-Enhancement

phloSAR-Portable-Pressure-Supply-for-Soft-Robots

A-Breakthrough-in-Subcubic-Combinatorial-Algorithms-for-Triangle-Detection-and-Applications

Advancements-in-Lip-to-Speech-Synthesis-Technology


視覚的手がかりの不確実性の増大に伴い、知覚誤差が暗黙的運動適応の過剰補償と飽和を引き起こす。


coremsg

The sensorimotor system can recalibrate itself without our conscious awareness, a type of procedural learning whose computational mechanism remains undefined. Recent findings on implicit motor adaptation, such as over-learning from small perturbations and fast saturation for increasing perturbation size, challenge existing theories based on sensory errors. We argue that perceptual error, arising from the optimal combination of movement-related cues, is the primary driver of implicit adaptation. Central to our theory is the increasing sensory uncertainty of visual cues with increasing perturbations, which was validated through perceptual psychophysics (Experiment 1). Our theory predicts the learning dynamics of implicit adaptation across a spectrum of perturbation sizes on a trial-by-trial basis (Experiment 2). It explains proprioception changes and their relation to visual perturbation (Experiment 3). By modulating visual uncertainty in perturbation, we induced unique adaptation responses in line with our model predictions (Experiment 4). Overall, our perceptual error framework outperforms existing models based on sensory errors, suggesting that perceptual error in locating one’s effector, supported by Bayesian cue integration, underpins the sensorimotor system’s implicit adaptation.

### Competing Interest Statement

The authors have declared no competing interest.

Perceptual error based on Bayesian cue combination drives implicit motor adaptation

視覚的誤差に基づくベイズ的手がかり統合が暗黙的運動適応を駆動する

title_rewrite


少数言語を含む200言語に対応する単一の大規模多言語モデルを開発し、従来の最先端モデルに比べて平均44%の翻訳品質向上を実現した。


Scaling neural machine translation to 200 languages is achieved by No Language Left Behind, a single massively multilingual model that leverages transfer learning across languages.

Scaling neural machine translation to 200 languages - Nature

200言語への神経機械翻訳の拡張


過去5年以上にわたり、トランスフォーマーアーキテクチャが主流となっているが、新しい基盤モデルYOCOがその地位を脅かす可能性がある。


YOCO, A New Foundation Model to Eliminate Transformers?

トランスフォーマーを排除する新しい基盤モデルyocoについて


トランスフォーマーを排除する新しい基盤モデルYOCOについて



Cerebrasとニューラルマジックが共同で開発したスパース化と短期事前学習の手法により、ラマ2モデルを50-70%小型化しながら高精度を維持できることを示した。また、ニューラルマジックのDeepSparseエンジンにより、密な(非スパース)モデルと比べて最大3倍の高速推論を実現できる。


Sparse Llama: 70% Smaller, 3x Faster, and Full Accuracy

高精度を維持しつつ-70-小型化と3倍高速化を実現したスパース-ラマ


高精度を維持しつつ、70%小型化と3倍高速化を実現したスパース・ラマ



ChatGPT-4oは、テキスト、音声、画像、動画を組み合わせた入力に対応し、高度な推論力と創造性を発揮する革新的なAIモデルである。


The tech world has been buzzing with excitement since the release of ChatGPT-4o, OpenAI’s latest advancement in AI technology. Unlike…

“ChatGPT-4o’s Secret Superpowers: What the YouTube Demo DIDN’T Show You 🤯”

chatgpt-4oの驚くべき機能-youtube-デモでは見せられなかった真の力


ChatGPT-4oの驚くべき機能 - YouTube デモでは見せられなかった真の力



オープンAIのGPT-4oモデルは、前モデルのGPT-4を大幅に凌駕する革新的な性能を持つ


Everything you need to know from the OpenAI announcement

OpenAI GPT-4o: The Revolutionary New AI Model

オープンaiのgpt-4oは革新的な新しいaiモデルである


オープンAIのGPT-4oは革新的な新しいAIモデルである



ディフュージョンモデルは、画像生成、音声生成、分子設計、言語モデル、時系列データ処理など、さまざまな分野で優れた性能を発揮しており、次世代の深層学習の最前線となる可能性がある。


AlphaFold 3, LLMs and much more are using diffusion to improve performance

Will Diffusion Models be The Next Frontier of Deep Learning

次世代の深層学習の最前線となるかもしれないディフュージョンモデル


報酬学習中の行動は時間とともに変化し、探索から搾取への移行、そして最終的な減少的関与といった一連の戦略シフトが見られる。


Different brain systems have been hypothesized to subserve multiple “experts” that compete to generate behavior. In reinforcement learning, two general processes, one model-free (MF) and one model-based (MB), are often modeled as a mixture of agents (MoA) and hypothesized to capture differences between automaticity vs. deliberation. However, shifts in strategy cannot be captured by a static MoA. To investigate such dynamics, we present the mixture-of-agents hidden Markov model (MoA-HMM), which simultaneously learns inferred action values from a set of agents and the temporal dynamics of underlying “hidden” states that capture shifts in agent contributions over time. Applying this model to a multi-step,reward-guided task in rats reveals a progression of within-session strategies: a shift from initial MB exploration to MB exploitation, and finally to reduced engagement. The inferred states predict changes in both response time and OFC neural encoding during the task, suggesting that these states are capturing real shifts in dynamics.

### Competing Interest Statement

The authors have declared no competing interest.

Dynamic reinforcement learning reveals time-dependent shifts in strategy during reward learning

報酬学習中の時間依存的な戦略シフトを明らかにする動的強化学習


暗号資産市場における絵文字感情は、市場動向と価格変動を予測する上で重要な役割を果たす。


暗号資産市場の絵文字感情反応


分類データセットとその意味階層を活用することで、テキスト生成型の視覚言語モデルの能力を詳細に評価し、識別型の視覚言語モデルとの比較を行う。


視覚言語モデルの能力を詳細に評価するための分類データセットとその意味階層の活用