Des chercheurs de Harvard et de l’Université de l’Illinois à Urbana-Champaign ont publié une étude introduisant le concept d’Explorative Modeling, un troisième axe d’entraînement pour les modèles génératifs basé sur le nombre de candidats explorés pendant l’apprentissage. Cette approche permet des gains d’efficacité de 4,1 fois en FLOP, de 6,2 fois en échantillons et de 47% en paramètres, tout en atteignant un score FID de 1,43 sur ImageNet à 256×256. Les auteurs affirment que le modèle converge environ 300 fois plus vite que les méthodes d’entraînement standard et s’étend à la génération vidéo, au traitement du langage naturel et à la robotique. L’étude a été menée par Alexi Gladstone de l’UIUC, Heng Ji et Yilun Du.
Source: Lire l’article original
