2026年のデータセットの最新＆人気コンテンツ -GRAVITY(グラビティ) SNS

共感で繋がるSNS

人気

名無し

自分はデータセットにアップロードしてる

名無し

綺麗なデータセットとモデリングか、やはり

名無し

Vision系データセット作るの高コストがち

りゅ

ここにきてデータセットのミスを発見…

川角結

尊師のデータセットあったら欲しいね

名無し

軽量化とかデータセット小さくするの興味ある

名無し

データセットのクオリティ判断する方法たくさん知りたい

名無し

ベンチマークのデータセットちゃんと調べたほうが良さそう

こっし

ごちうさ原作漫画のデータセットほしい…（やめとけ）

もっとみる

関連検索ワード

データセット解析

データセット

新着

🪇

だからAIって理想的、感情も背景もないし。（無断学習や児童虐待のデータセットがあるから、おおやけに言うことははばかられるけど。）
もし機械に感情が宿ったらうまく話せないだろうな

ポケットからあごだし

物がある程度のクオリティで安く手軽に手に入れることができ、大量生産できる時代で、ハンドメイドのアクセサリーなどが売れていること。むしろ量産された似た物のコピーのような物たちに飽き、より自分に合う物を求め、それらに金を使う人々が一定数いること。AIとイラストを語るうえで、データセットの話は避けて通ることは出来ないが、それはAIの開発者や国が倫理観をもち、考えることであって、立場の弱い我々はどうしようも出来ないので、受け入れて自分の出来ることをやる他ないのではないかと。まぁ、何を言いたいかと言うと、創作者は自分の為に創作をした方が精神的に健全ですね。と、いうことです。多分、これって版画とかコピー機とかが出てきた時と同じようなことなのでは。クネクネ。

帯椀　稀能毘

あけましておめでとう

お正月を、写そ！(ポン！)

ということで、お正月の晴れ着グラビアです。

昨年、いろいろ研究した結果、FLUXでは和装の画像は作れないという結論に達したわけですが、じゃあ(恐らく)学習データセットが異なるKreaならどうなんだと。

で、結果です。
まあまあ、純正FLUXよりだいぶマシかなという感じです。

一枚目はKreaチェックポイントそのままで出したもの。プロンプトは別に投稿する亜由美ちゃん生成時のものを概ねそのまま流用してます。着物の柄が寂しいとか、髪型がダサいとかありますが、浴衣と着物の区別のつかないFLUXよりナンボかマシです。
2枚目以降は、FLUX用の「Midjourney風」LORA。通称「お色気マシマシLORA」を投入したもの。赤い着物の方はベースモデルもKreaベースのカスタムにスイッチしてます。

まあまあ、それなりには仕上がったと思いますが、やはりFLUXにも苦手な被写体はあるわけで、高精細画像を出せて、なおかつFLUXの弱点をカバーできる別の画像生成AIをそろそろ物色しなければならないかも知れません。

#画像生成AI
#AIグラビア
#FLUX1

アト

1. 序論
1.1 歴史的背景と動機
回転する天体の形状は、Newton (1687)以来の基本的な問題である。Clairaut (1743)やMaclaurin (1742)による古典的な理論は静水圧平衡を記述するが、相対論的効果は含まれていない。一方、GPSなどの高精度観測では一般相対性理論の検証が可能となっており（Ashby 2003）、重力・運動・回転効果を統一的に扱う必要性が高まっている。
本研究では、シュヴァルツシルト計量の弱場展開から出発し、既存のポスト・ニュートン形式および測地学的アプローチに沿った形で、これらの効果を単一の有効ポテンシャルにまとめる試みを行う。このアプローチが、観測データとどのように対応するかを複数の独立した系で検証する。
1.2 等ポテンシャル面の問題
古典的な測地学では、基準楕円体は平均海面を近似する経験的な面として扱われてきた。このアプローチは実用的には有効であるが、以下の問いが残されている：
1. なぜ等ポテンシャル面は楕円体形状をとるのか？これは数学的な必然なのか、単に便利な近似なのか？
2. 相対論的補正は、回転体の幾何学的形状にどのように影響するのか？特殊および一般相対論的効果を単一のポテンシャル定式化に統合できるか？
3. 表面の幾何学形状と内部の質量分布の関係は何か？密度構造は観測可能な扁平率にどのように影響するか？
4. 中性子星や系外惑星のような特異な天体の形状を、完全な数値相対論に頼ることなく第一原理からどこまで予測できるか？
1.3 従来の理論的アプローチ
既存の理論的枠組みは、いくつかの異なる手法でこれらの問いに対処してきた：
古典的静水圧平衡理論 (Chandrasekhar 1969) ニュートン重力に遠心加速度を加え、平衡形状を解く。ゆっくり回転する天体には有効だが、相対論的補正を完全に欠いている。計算は比較的単純だが、GPS衛星のような高精度応用には不十分である。
ポスト・ニュートン・パラメータ（PPN）フレームワーク (Will 1993) アインシュタインの方程式を v/c や GM/(rc²) のべき乗で展開する。厳密ではあるが、通常は各補正項を個別に扱い、単一のポテンシャルに統一していない。これにより、異なる効果間の相互作用を直感的に理解することが困難となる。
数値相対論的流体力学 (Cook et al. 1994; Stergioulas & Friedman 1995) 回転する構成に対してアインシュタイン方程式を数値的に解く。正確だが計算負荷が高く、楕円体形状の根底にある数学的構造への物理的洞察が限定的である。また、パラメータ空間の広範な探索には適さない。
測地学的Clairaut理論 (Heiskanen & Moritz 1967; Lambeck 1988) Clairautの方程式を通じて、表面の扁平率を内部密度分布に関連付ける。経験的には成功しているが、楕円体を「導出」されるものではなく「与えられたもの」として扱う。つまり、なぜ楕円体なのかという根本的な問いには答えていない。
1.4 本研究の目的と新規性
本研究では、以下の点を試みることで、上述の限界に対処する定式化を提案する：
1. 理論的統一性: 弱場展開から特徴的な係数（速度項の3/2、回転項の1/2）を自然に再現し、既存のポスト・ニュートン処理（Will 1993; Ashby 2003など）と整合させる。
2. 数学的必然性の証明: 等ポテンシャル面が小パラメータ ε = Ω²a³/(GM) の二次まで楕円体形状をとることを、仮定ではなく導出として示す。
3. 内部構造の統合: 非一様な密度分布を考慮したClairaut型の構造因子を組み込み、観測可能な扁平率を内部組成に関連付ける。
4. 多角的検証: GPSの時間遅延、惑星扁平率（地球、火星、木星）、中性子星や系外惑星の予測という独立したデータセットに対して検証を行う。
5. 残差の物理的解釈: 火星の残差を、重力的扁平率と幾何学的扁平率の区別により解釈し、地質学的情報抽出のツールとしての可能性を示す。
本研究の新規性は、これらの要素を既存理論と矛盾しない形で統合し、計算上の利便性と物理的洞察の両方を提供する点にある。
1.5 本論文の構成
第2章で有効ポテンシャルの導出、第3章で楕円体形状の数学的証明、第4章で内部構造の統合、第5章で観測比較、第6章で極限領域への応用、第7章で限界と展望、第8章でまとめを述べる。

名無し

汎化誤差が不良設定で不明な以上データセット側の知識もあると思ってる

かの

モックアップアプリを作る、チラシのデザインを考える、データセットを作る、ブログを書く、動画編集、写真を重加工
これらをあと1週間で終わらせないといけない

ひろ✨

生成系AI（Generative AI）とは、大規模データセットから学習した確率分布モデルを用いて、新たなデータ（テキスト、画像、音声、動画など）を生成する人工知能技術群の総称である。その中核を成すのは**生成モデル（Generative Model）**であり、これは識別モデル（Discriminative Model）と対をなす概念である。生成モデルはデータの背後にある潜在変数（latent variables）を推定し、観測データの生成過程 P(X, Z) を確率的にモデル化する点に特徴がある。

代表的な生成モデルには、確率的生成モデル（Probabilistic Generative Models）と深層生成モデル（Deep Generative Models）がある。前者には混合ガウスモデル（GMM）や隠れマルコフモデル（HMM）などが含まれるが、近年主流となっているのは後者であり、ニューラルネットワークによる高次元分布の近似を行う。特に有名なのが、変分オートエンコーダ（VAE）、敵対的生成ネットワーク（GAN）、および**拡散モデル（Diffusion Model）**である。

VAEはエンコーダ・デコーダ構造を持ち、潜在空間における確率的表現学習を行う。GANはジェネレータとディスクリミネータの**ミニマックス最適化（minimax optimization）**によって、分布近似を競合的に洗練させる。一方、Diffusion Modelはノイズ除去過程を逐次的に学習し、高品質なサンプル生成を可能にする。この拡散モデル系は、**スコアベース生成（Score-based Generation）**とも呼ばれ、現在の画像生成（例：Stable Diffusion、DALL·E、Midjourney）や動画生成の中心技術となっている。

また、自然言語領域では、自己回帰型言語モデル（Autoregressive Language Model）が主流であり、Transformerアーキテクチャを基盤とする。GPTやLLaMAなどは、トークン列の条件付き確率 P(x_t|x_{<t}) を逐次推定し、テキストを生成する。これにより、文脈保持・推論・スタイル模倣などの高次言語生成能力が実現している。

さらに近年では、マルチモーダル統合（text-to-image, text-to-video, text-to-audioなど）が進み、生成系AIは単一モーダルの枠を超えて「統合的創発（emergent multimodality）」を示すに至った。これは巨大パラメータ空間と自己教師あり学習（self-supervised learning）による**表現学習の汎化（representation generalization）**の成果であり、人間の創造的活動の一部を模倣・拡張する段階に入っている。

要するに生成系AIとは、確率的表現学習・深層分布近似・モーダル統合によって新たなデータを創出する人工知能技術体系であり、単なる情報処理を超え、創造の自動化を実現する計算的パラダイムである。

もっとみる

おすすめのクリエーター

帯椀　稀能毘

ゆるゆるやってます。画像生成AIでイラスト描いてます。妄想度高めのコンテンツですが、お楽しみ下さい(笑) フォローいただいたらだいたいフォローバックしますが、自己紹介と投稿のないアカウントの方はフォローバックできませんのでご容赦ください。

フォロワー

（医療系）大学院生 Ado民

フォロワー

32、哲学、恋愛、就職・転職、お笑い政治経済、🇺🇸🇯🇵ドル円、Java、英語、法律、AI、ディープラーニングG検定、メンタルヘルス、基本情報、うつ病、愛知、名言、政策金利

フォロワー

ポケットからあごだし

義務フォロバ大丈夫です。メモちゃんと作品を描いて発表しよう全体を意識。感じた魅力の言語化。伝わるように描く。メインは何か考える。前後の動作を意識。工程で分けて、できるところまで一気に進める。だらだらしない。しばらくの目標構図完成まで絶対に描く。デッサン光を意識。最適な構図を模索。パース気をつける。H系使う。

フォロワー

フォロワー