Metaが「V-JEPA」発表、画素を生成せず動画を理解する新アーキテクチャ
Metaは非生成型の動画モデル「V-JEPA」を発表した。ピクセルそのものを予測するのではなく、抽象的な表現空間で欠損した動画情報を予測することで、訓練効率を1.5倍から6倍に改善した。基幹部分を固定したまま少量の追加学習で多様なタスクに対応できる。
Metaは非生成型の動画モデル「V-JEPA」を発表した。ピクセルそのものを予測するのではなく、抽象的な表現空間で欠損した動画情報を予測することで、訓練効率を1.5倍から6倍に改善した。基幹部分を固定したまま少量の追加学習で多様なタスクに対応できる。