Auteur : Harpreet Sahota (Hacker en résidence chez Voxel51)
Bienvenue dans le résumé hebdomadaire de Voxel51 des dernières actualités, événements et ressources sur l'IA, l'apprentissage automatique et la vision par ordinateur ! Abonnez-vous à la version email.
Des chercheurs de l’Université de Hull ont développé une technique permettant d’identifier les fausses images générées par l’IA en examinant les reflets oculaires. La méthode compare la cohérence des réflexions lumineuses entre les globes oculaires gauche et droit. Ces reflets sont généralement cohérents dans les images réelles, alors que les deepfakes diffèrent souvent. Les chercheurs ont appliqué des techniques astronomiques pour étudier les galaxies afin d’analyser les reflets oculaires. Ils ont utilisé le coefficient de Gini, qui mesure la répartition de la lumière, pour comparer les similitudes entre les globes oculaires gauche et droit.
Cette méthode, inspirée des techniques utilisées en astronomie pour étudier les galaxies, pourrait constituer une nouvelle arme dans la lutte en cours contre les deepfakes.
Points clés à retenir:
Cette approche innovante démontre comment les techniques d'un domaine scientifique (l'astronomie) peuvent être appliquées de manière créative pour résoudre des problèmes dans un autre domaine (l'authentification d'images), démontrant ainsi le potentiel de la recherche interdisciplinaire pour relever les défis technologiques modernes.
Alors que les images générées par l’IA deviennent de plus en plus sophistiquées, comment cette approche astronomique de la détection des deepfakes pourrait-elle évoluer pour garder une longueur d’avance ? Les réponses se trouvent peut-être dans les étoiles – ou dans ce cas, dans les yeux – mais vous devrez approfondir l'article pour découvrir toute la portée de cette recherche intrigante.
Source
Le paysage de l’IA, longtemps dominé par les architectures de transformateurs, connaît désormais une recrudescence de la recherche de nouvelles architectures de modèles.
Les transformateurs, qui alimentent des modèles notables comme Sora et GPT-4 d’OpenAI, se heurtent à des obstacles en matière d’efficacité informatique. Les chercheurs explorent des alternatives à l’architecture de transformateur dominante dans l’IA, les modèles de formation au temps de test (TTT) apparaissant comme un concurrent prometteur. Ces modèles, développés par une équipe de Stanford, UC San Diego, UC Berkeley et Meta, pourraient potentiellement traiter de grandes quantités de données plus efficacement que le modèle de transformateur de courant.
Points clés à retenir: