Veranstaltung einreichen
Protokolllernen: ICML Soziale

Protokolllernen: ICML Soziale

09 Jul 202619:00 - 21:00 Asia/SeoulSeoul, South Korea, South Korea20 TeilnehmerOpen

Beschreibung

Während das Training von fortschrittlicher KI sich in einer kleinen Anzahl von zunehmend vertikal integrierten Laboren und Hyperscalern konzentriert, sieht sich die Forschungs-Community einer strukturellen Frage gegenüber: Ist großflächiges Modelltraining notwendigerweise zentralisiert, oder ist die Zentralisierung ein Artefakt aktueller ingenieurtechnischer und wirtschaftlicher Entscheidungen? Jüngste Arbeiten zu verteiltem Training, kommunikation mit niedriger Bandbreite, föderiertem und Schwarmlernen deuten auf Letzteres hin — dass bedeutende Dezentralisierung in technischer Hinsicht an der Grenze möglich wird, nicht nur im Spielzeugmaßstab.Diese soziale Veranstaltung versammelt Forscher und Praktiker, die an der Schnittstelle von dezentralisiertem Training, föderiertem Lernen, verteilten Systemen und KI-Governance arbeiten, um Folgendes zu diskutieren: (1) die aktuelle technische Grenze des dezentralisierten Modelltrainings, (2) die offenen Forschungsprobleme, die weiteren Fortschritt behindern – Kommunikationseffizienz, verifizierbare Berechnung, Attribution und adversarielle Robustheit – und (3) was kollektives oder verteiltes Eigentum an Grenzmodellen in der Praxis bedeuten könnte und warum es als Gegengewicht zur Konzentration von Rechenleistung, Kapital und Entscheidungsfindung in der KI von Bedeutung ist.Die soziale Veranstaltung zum Protokolllernen wird in Zusammenarbeit mit Professor Namhoon Lee und POSTECH organisiert. Schließen Sie sich uns an! (Ein ICML-Konferenzabzeichen ist erforderlich, da dies eine offizielle ICML-Veranstaltung ist, die ohne die Konferenz ausgerichtet wird)

Veranstaltungsort

Lassen Sie Ihr Netzwerk wissen, dass Sie dabei sind

Teilen Sie diese Veranstaltung, um Gespräche zu beginnen, Kollegen einzuladen und sich vorab zu vernetzen.

Verwandte Events

Plattform für künstliche Intelligenz

Kostenlos