Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind26. April 2018 · Q006121

DeepMind papers at ICLR 2018

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Die Übersicht stellt DeepMind-Beiträge zur ICLR 2018 vor, darunter Arbeiten zu Reinforcement Learning, Robotik, Architektursuche, Gedächtnis, Sprache und Kommunikation. Sie berichtet zahlreiche Leistungsverbesserungen in bestimmten Experimenten, liefert aber keine vollständigen Methoden oder unabhängige Prüfung der Ergebnisse.

Mittel

Der Bericht gibt einen nach Konferenztagen geordneten Überblick über DeepMind-Beiträge zur ICLR 2018. Die vorgestellten Themen reichen von Reinforcement Learning und Robotik bis zu neuronaler Architekturensuche, Gedächtnismodellen, Sprache und Kommunikation.

Mehrere Arbeiten berichten von Verbesserungen beim Lernen und Steuern: MPO soll bei kontinuierlicher Steuerung Stichprobeneffizienz und Robustheit steigern; D4PG, Reactor und priorisiertes Erfahrungs-Replay sollen starke Leistungen in Steuerungs- und Spielaufgaben ermöglichen. Eine evolutionäre Architektursuche habe auf CIFAR-10 eine Fehlerrate von 3,6 Prozent erreicht. Eine Zufallssuche sei etwas weniger genau, aber deutlich schneller gewesen. Weitere Beiträge melden Fortschritte bei rekurrenter Optimierung, logischer Folgerung, Sprachmodellierung und dem Erlernen visueller Konzepte. Experimente mit Agenten untersuchen außerdem, wie strukturierte Wahrnehmung und Kooperation Kommunikation beeinflussen könnten.

Die Übersicht fasst die Behauptungen der Arbeiten und ihre jeweiligen Versuchskontexte knapp zusammen. Sie bietet keine vollständigen Methoden oder Vergleichsdaten und prüft die berichteten Resultate nicht unabhängig; die Leistungsangaben sind daher den Beiträgen beziehungsweise der Übersicht zuzuschreiben.

Ausführlich lesen

Der Bericht stellt von DeepMind angenommene Beiträge zur International Conference on Learning Representations (ICLR) 2018 vor. Er ordnet die Kurzbeschreibungen nach den vier Konferenztagen und nennt zu den Arbeiten ihre Autorinnen und Autoren sowie Postertermine und teilweise Vorträge. Inhaltlich reicht die Auswahl von Reinforcement Learning und Robotik über neuronale Architekturen und Gedächtnismodelle bis zu Sprache, Kommunikation und generativen Modellen.

Mehrere Arbeiten befassen sich mit effizienterem Lernen und Steuern. Für MPO, ein neues Verfahren zur Policy-Optimierung, berichten die Autorinnen und Autoren von zwei Off-Policy-Varianten, die bei kontinuierlicher Steuerung hinsichtlich Stichprobeneffizienz, vorzeitigem Konvergieren und Robustheit gegenüber Hyperparametern besser als bestehende Verfahren abgeschnitten hätten. D4PG verbindet verteiltes Lernen mit einer Verteilungsdarstellung von Belohnungen; laut Bericht erreichte es starke Ergebnisse bei einfachen Steuerungsaufgaben, schwieriger Manipulation und Fortbewegung mit Hindernissen. Reactor soll nach 200 Millionen Frames in weniger als einem Tag Spitzenleistungen erzielen. Weitere Beiträge beschreiben priorisiertes Erfahrungs-Replay zur Skalierung des Lernens sowie lernbare Gewichtsrauschen, das die Erkundung in Atari-Spielen verbessern soll. Für robotische Anwendungen werden unter anderem eine Einbettung verwandter Fertigkeiten und Modelle vorgestellt, die aus Körper- und Sensordaten Rückschlüsse auf äußere Objekte ziehen.

Ein zweiter Schwerpunkt ist die Struktur von Modellen und Daten. Eine hierarchische evolutionäre Suche habe auf CIFAR-10 eine Top-1-Fehlerrate von 3,6 Prozent und nach Übertragung auf ImageNet von 20,3 Prozent erzielt. Eine Zufallssuche sei etwas weniger genau, habe die Suchzeit aber von 36 Stunden auf eine Stunde reduziert. K-FAC wird auf rekurrente Netze erweitert; Experimente sollen Vorteile gegenüber SGD mit Momentum und Adam bei mehreren anspruchsvollen Trainingsaufgaben zeigen. MR-LEM soll die Qualität von Einbettungen und die Erkennung latenter Faktoren auf NORB und bei transformierten Gesichtern verbessern. Ein Beitrag zu GANs argumentiert anhand empirischer Ergebnisse, dass manche Erfolge nicht allein durch die zugrunde gelegte Theorie der Divergenzminimierung erklärt werden könnten.

Weitere Arbeiten untersuchen Gedächtnis, Schlussfolgern und Kommunikation. Eine differentiell steuerbare Stapelspeicher-Architektur habe Sprachmodelle bei der Vorhersage längerer Abhängigkeiten verbessert. Bei der Bewertung von Sprachmodellen berichten Forschende, dass passend regularisierte Standard-LSTMs neuere Architekturen übertrafen und neue Ergebnisse auf Penn Treebank und WikiText-2 erzielten. PossibleWorldNets hätten bei logischer Folgerung die verglichenen Modelle übertroffen. Für visuelle Konzepte, Bilddichte-Schätzung und Kommunikation beschreiben die Beiträge unter anderem SCAN, Few-Shot-Verfahren sowie Agenten, die aus Bildpixeln oder in Verhandlungsspielen Kommunikationsprotokolle entwickeln. Die Ergebnisse werden teils als Hinweis auf die Bedeutung strukturierter Wahrnehmung oder kooperativen Verhaltens gedeutet.

Der Bericht ist eine Konferenzübersicht mit knappen, von den jeweiligen Arbeiten stammenden Zusammenfassungen. Er beschreibt die behaupteten Resultate und Versuchsbereiche, liefert aber keine vollständigen Methoden, Datensätze, Vergleichsdetails oder unabhängige Prüfung. Seine Aussagen belegen daher, was die Beiträge laut Übersicht berichten, nicht eine darüber hinausgehende Bestätigung ihrer Ergebnisse.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Sammelfragen betreffen Governance und Nachvollziehbarkeit von KI, der Bericht ist dagegen eine Übersicht über ICLR-2018-Forschungsarbeiten von DeepMind. Lunas Anteilsangaben (33, 34 und 32 Prozent) lassen sich aus dem Bericht nicht begründen und wurden hier nicht übernommen. Teilfragen waren keine angegeben.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Neuron-Deletion-Studie: Interpretierbare Neuronen sind nicht wichtiger als schwer deutbare, und gut generalisierende Netze hängen weniger von Einzelrichtungen ab
  • Die Kanerva Machine und MbPA als Gedächtnismodelle gegen Vergessen
  • NoisyNet als Explorationsmethode mit parametrischem Rauschen
  • Die Analyse von GAN-Trainingsdynamik, die die Divergenz-Theorie nicht vollständig erklärt
  • Die Aussage, dass Standard-LSTMs bei guter Regularisierung neuere Modelle übertreffen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
Agenten und vernetzte Systeme
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →