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
deepmind9. Juli 2018 · Q006166

DeepMind papers at ICML 2018

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Beitrag stellt DeepMind-Arbeiten für die ICML 2018 vor, darunter Forschung zu schneller Sprachsynthese, Reinforcement Learning, generativen Modellen, Multi-Agenten-Koordination und abstraktem Schlussfolgern. Die berichteten Erfolge beruhen auf den jeweils genannten Benchmarks und Versuchsaufgaben; der Überblick ersetzt keine vollständige oder unabhängige Bewertung der Studien.

Mittel

Der DeepMind-Beitrag gibt einen Überblick über Präsentationen auf der ICML 2018 vom 11. bis 13. Juli. Die Arbeiten decken ein breites Feld ab: effiziente Sprachsynthese, Reinforcement Learning, Planung, generative Modelle, Multi-Agenten-Systeme, adversariale Robustheit und abstraktes Schlussfolgern.

Laut den Zusammenfassungen sollen WaveRNN und Parallel WaveNet hochwertige Sprache deutlich schneller als in Echtzeit erzeugen; IMPALA soll verteiltes Lernen auf Tausenden Maschinen ermöglichen und Aufgabenübertragung unterstützen. Andere Beiträge berichten etwa über trainierbare Suchverfahren, automatisierte Aufgabenkurrikula, Lernen aus wenigen Beispielen, fortlaufendes Lernen ohne wachsende Modellgröße sowie Modelle zur Vorhersage physikalischer Dynamik. Die genannten Befunde beruhen auf jeweils unterschiedlichen Tests, darunter Atari, Sokoban, Robotik, Bilddatensätze und simulierte Umgebungen. Eine Arbeit zu abstraktem Schlussfolgern berichtet zugleich über unterschiedliche Stärken je nach Verallgemeinerungsform.

Der Text ist ein Konferenzprogramm mit Kurzfassungen, keine unabhängige Prüfung. Er enthält nicht die vollständigen Methoden- und Versuchsdaten; viele Leistungsangaben gelten daher zunächst für die genannten Aufgaben und Benchmarks. Eine Arbeit wird als Zweitplatzierte beim Best Paper ausgewiesen.

Ausführlich lesen

Der Bericht kündigt DeepMind-Präsentationen auf der ICML 2018 in Stockholm an und fasst die vorgestellten Arbeiten samt Vortragsterminen am 11., 12. und 13. Juli zusammen. Die Themen reichen von Audio- und Sprachsynthese über Reinforcement Learning und Planung bis zu generativen Modellen, Adversarial Robustheit und maschinellem Schlussfolgern. Die Ergebnisse sind Zusammenfassungen der jeweiligen Arbeiten, wie sie DeepMind im Blogbeitrag darstellt.

Mehrere Beiträge zielen auf schnellere oder skalierbarere Systeme: WaveRNN soll laut Bericht hochwertige Sprache auf einem Mobiltelefon in Echtzeit erzeugen; Batch WaveRNN bis zu 40-mal schneller als Echtzeit. Parallel WaveNet wird mit mehr als 20-facher Echtzeitgeschwindigkeit beschrieben. IMPALA soll auf Tausende Maschinen skalieren und bei weniger Daten als frühere Agenten bessere Resultate sowie positiven Transfer zwischen Aufgaben erzielen. Progress & Compress soll fortlaufendes Lernen ohne wachsende Modellgröße und ohne erneuten Zugriff auf frühere Daten ermöglichen; getestet wurde es laut Text bei Handschriftklassifikation und zwei Reinforcement-Learning-Aufgaben.

Weitere Arbeiten untersuchen Lernen und Entscheiden. MCTSnets verlagern Suchentscheidungen in ein trainierbares neuronales Netz und übertrafen laut Bericht MCTS-Vergleichsverfahren bei kleinen Sokoban-Aufgaben. Für Reinforcement Learning werden unter anderem automatische Aufgabenkurrikula, der Transfer von Fähigkeiten zwischen Aufgaben, episodisches Gedächtnis und risikosensitive oder sparsame Policies vorgestellt. Die jeweiligen Befunde stammen aus den beschriebenen Testumgebungen: etwa Atari-Spielen, simulierten Umgebungen, Robotikaufgaben oder einem komplexen 3D-Szenario. Ein Ansatz zur Theory of Mind wurde an Agenten in einfachen Gridworlds und klassischen Aufgaben wie dem Sally-Anne-Test untersucht.

Im Bereich generativer Modelle stellt der Bericht unter anderem Conditional Neural Processes für Vorhersagen aus wenigen Beispielen, FactorVAE für entkoppelte Repräsentationen und SPIRAL zur Erzeugung von Bildern über ausführbare Grafikprogramme vor. Für SPIRAL nennt er MNIST, Omniglot, CelebA und synthetische 3D-Daten. Graph Networks werden als Modelle physikalischer Systeme beschrieben: Sie sollen auf acht variierten Systemen Vorhersagen und Verallgemeinerung ermöglichen und zudem Systemidentifikation sowie gradientenbasierte Planung unterstützen.

Der Beitrag behandelt auch theoretische und methodische Arbeiten: LeapsAndBounds soll Solver-Konfigurationen mit annähernd optimalem Aufwand finden; MRDR soll die Varianz von Off-Policy-Schätzern reduzieren. Weitere Beiträge untersuchen Koordination in Multi-Agenten-Systemen, verzögertes Banditenfeedback, dynamische Spiele, lokalisierte adversariale Bildstörungen und abstraktes Schlussfolgern. Letzteres zeigt laut Bericht zugleich Stärken und Schwächen der untersuchten Verallgemeinerung; symbolische Erklärungen verbesserten die Leistung.

Die Darstellung ist ein Konferenzüberblick, keine unabhängige Bewertung. Sie liefert Kurzfassungen und Zeitpläne, aber keine vollständigen Versuchsbeschreibungen, Datensätze oder vergleichbaren Details zu allen Arbeiten. Viele Aussagen beziehen sich ausdrücklich auf bestimmte Benchmarks und Versuchsbedingungen; daraus folgt keine allgemeine Leistungszusage. Der Text nennt außerdem „The Mechanics of n-Player Differentiable Games“ als Zweitplatzierten beim Best Paper.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Bewertung stützt sich nur auf den vorliegenden Konferenzprogramm-Text mit Kurzfassungen; Methoden- und Versuchsdetails fehlen, daher sind die Einordnungen auf Basis der Abstracts getroffen.

Im Bericht, aber nicht in der Zusammenfassung

  • Konferenzort und -zeitraum (Stockholm, 10.–15. Juli 2018) fehlen in der Kurzfassung

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
Fähigkeiten messen
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 24 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 26 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 78 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
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 →