Innopolis-Universität erhält drei Patente für KI-Lösungen für Text- und visuelle Aufmerksamkeit
Die Innopolis-Universität hat drei Patente für KI-Entwicklungen in der Textverarbeitung und Blickverfolgung erhalten. Die Erfindungen ermöglichen die Vorhersage von Augenbewegungen beim Lesen von Texten in 13 Sprachen, die Bewertung von Modellen zur Generierung von Blickbahnen von Ärzten und die Beschleunigung des Trainings von Sprachmodellen.
Forschende am KI-Forschungszentrum der Universität Innopolis haben drei Patente für KI-Lösungen im Bereich Text- und visuelle Aufmerksamkeit erhalten. Das erste Patent betrifft ein System zur Vorhersage menschlicher Blicke beim Lesen, das Augenbewegungen für Texte in Englisch, Koreanisch, Deutsch und zehn weiteren Sprachen mithilfe einer einheitlichen neuronalen Netzarchitektur vorhersagen kann. Es kombiniert ein mehrsprachiges Sprachmodell und ein Transformer-Modell zur Vorhersage von Blickfixationen, das mit Blickbewegungsaufzeichnungen von Muttersprachlern verschiedener Sprachen trainiert wird. Das System erzeugt synthetische Blickfixationssequenzen und bewertet sie anhand der Wahrscheinlichkeit des Überspringens von Wörtern und der Anzahl der Fixationen während des ersten Lesens. Das zweite Patent betrifft die Bewertung der Blickerzeugung beim Lesen und adressiert das Fehlen einheitlicher Protokolle zum Vergleich sequenzieller Blickfixationen auf Text, die von generativen Modellen erzeugt werden. Der vorgeschlagene Ansatz vergleicht Blickpfade nach räumlichen und zeitlichen Merkmalen und bewertet verschiedene Augenbewegungsmerkmale auf der Ebene des gesamten Textes, einzelner Wörter und Sätze. Das dritte Patent betrifft ein Verfahren zum Training von Sprachmodellen mit synthetischen Blickpfaden, das visuelle Aufmerksamkeitsdaten in bestärkendes Lernen aus menschlichem Feedback integriert. Die Erfindung umfasst die Erzeugung synthetischer Blickfixationssequenzen und visueller Aufmerksamkeitsmerkmale sowie die Implementierung eines bestärkenden Lernalgorithmus auf der Grundlage von menschlichem Feedback, das menschliche Aufmerksamkeitsmuster berücksichtigt. Nach Angaben der Universität beschleunigt diese Technologie das KI-Training um das 1,5- bis 2-fache, reduziert die Rechenkosten, reproduziert menschliche Aufmerksamkeitsmuster mit einer Genauigkeit von bis zu 93 % und funktioniert auch für Sprachen mit geringen Datenmengen.
Quelle: CNews —
Original