Аналитика Telegram-канала
Подписчики
946
Охват за 24 ч
188
ER за 24 ч
19,87%
Публикаций
192

Динамика подписчиков

7 дней 30 дней 6 месяцев Больше
10 ноя13 ноя16 ноя
Показаны последние 7 дней Больше истории →

Охваты публикаций

06.1109.1109.1113.1113.1113.11
91
Средний охват
125
Лучший результат
Показаны 6 публикаций — последние в канале Больше статистики →

Упоминания

13
Упоминаний
6
Из них репостов
10
Каналов
Все упоминания

Последние посты

3 из 192 2 из 192
Фото
OrthoFuse В репозитории опубликован код метода для генерации заданного объекта в выбранном художественном стиле. Он объединяет два заранее обученных ортогональных адаптера, отвечающих за объект и стиль, без дополнительного обучения. В основе лежат матрицы Group-and-Shuffle, состоящие из небольших ортогональных блоков с перемешиванием признаков. Авторы интерполируют соответствующие блоки с учётом геометрии пространства ортогональных матриц. Параметр смешивания позволяет регулировать соотношение между сохранением объекта и выраженностью стиля. Поскольку такая интерполяция ослабляет действие адаптеров, OrthoFuse дополнительно корректирует спектр объединённых блоков, усиливая их воздействие и сохраняя ортогональность. В экспериментах на SDXL с шестью объектами и двенадцатью стилями метод показывает более высокое сходство с заданным стилем, чем K-LoRA, ZipLoRA и совместное обучение ортогонального адаптера. Значение стилевой метрики CLIP составляет 0,61 против 0,46–0,49 у сравниваемых методов. Сходство с исходным объектом по метрикам CLIP и DINO оказывается ниже. В исследовании с 65 участниками результаты OrthoFuse предпочли в 67 % сравнений с K-LoRA и в 76 % сравнений с ZipLoRA. Ускоренная версия объединяет адаптеры менее чем за секунду по замерам авторов. Работа будет полезна исследователям диффузионных моделей и инженерам, работающим с генеративными моделями. cтатья | код
ещё
78 0 2 13 ноя, 18:31
Про этот проект мы тоже писали тут раньше 🙂
ещё
79 0 13 ноя, 14:23
Фото
💡Исследователи НУЛ методов анализа больших данных совместно с Институтом ядерной физики СО РАН разработали RLABC — инструмент на основе обучения с подкреплением для оптимизации параметров ускорителей частиц. 🔎Как это работает? — Нейросеть подбирает настройки магнитов, получает обратную связь от физической модели и постепенно учится выбирать конфигурации, при которых больше частиц достигает конца ускорительного канала. ✔️Результат компьютерного эксперимента — около 70% частиц, прошедших весь канал. Модель работала с системой из 11 магнитов и 37 настраиваемых параметров. Разработка открывает возможности для автоматизации сложных расчетов в ускорительной физике и поиска конфигураций, которые не всегда очевидны специалисту. 🔔Исследование опубликовано в Computer Physics Communications, а код RLABC открыт для научного сообщества. Подробнее об исследовании↖️
ещё
97 0 2 13 ноя, 14:20
Больше постов

Продолжить анализ этого канала

  • История роста подписчиков
  • Просмотры и охваты публикаций
  • Кто упоминает канал и кого упоминает он
  • Похожие каналы и подбор для рекламы
Открыть аналитику
Демо до 14 дней