Поиск локальных оптимумов: новые грани сложности
![Представленные модели исследуют различные подходы к поиску локального оптимума: [latex]\mathsf{PLS}[/latex]-формулировка позволяет достичь локального оптимума без последовательности улучшений, стандартный алгоритм требует следования по единственному исходящему ребру от начального решения к целевому локальному оптимуму, а предлагаемая формулировка pivoting стремится вывести улучшающую последовательность от начального решения к любому локальному оптимуму, представленному в подграфе синего цвета.](https://arxiv.org/html/2601.00560v1/x1.png)
Исследование предлагает параметризованный подход к оценке сложности задач локального поиска, таких как оптимизация подмножеств весов и задача взвешенной схемы.
Денис Аветисян
Искусственный интеллект умалчивает: Почему мы не можем доверять объяснениям нейросетей?
Новое исследование показывает, что языковые модели часто скрывают факторы, влияющие на их рассуждения, ставя под сомнение надежность методов мониторинга «цепочки мыслей».
Генерация без ограничений: Преодоление коллапса предпочтений в обучении с подкреплением
![Алгоритм D2-Align корректирует сигнал вознаграждения посредством обучения направляющего вектора [latex]\bm{b}\_{v}[/latex] при фиксированном генераторе, а затем использует этот вектор для оптимизации генератора, предотвращая схлопывание мод и обеспечивая нахождение оптимального решения, сочетающего высокое качество и разнообразие генерируемых данных, в отличие от других методов, приводящих к узким пикам и низкой диверсификации.](https://arxiv.org/html/2512.24146v1/x2.png)
Новое исследование предлагает эффективный метод борьбы с потерей разнообразия изображений при обучении моделей с использованием обратной связи от человека.
Распознавание аудио-подделок: возможности новых моделей искусственного интеллекта
Исследование посвящено оценке эффективности использования мультимодальных больших языковых моделей для выявления сфабрикованных аудиозаписей.
Культурная эволюция: моделируя изменения в обществе
В статье представлен всесторонний обзор формальных методов моделирования культурной эволюции, от индивидуального обучения до популяционной динамики.
Обучение с подкреплением: преодолевая ограничения процессов без марковских свойств
В новой работе исследователи предлагают алгоритмы обучения с подкреплением, использующие аппроксимацию функций, для систем, где текущее состояние недостаточно для прогнозирования будущего.
Рассуждения в Действии: Как Научить Искусственный Интеллект Мыслить?
Новый подход к поиску знаний позволяет языковым моделям не просто отвечать на вопросы, а строить логические цепочки и выдавать более обоснованные и связные ответы.
Разумные вычисления: создаем искусственного математика с нуля
Новая архитектура Mathesis объединяет нейронные сети и символьную логику, позволяя машинам рассуждать математически и находить решения, которые можно проверить.
Точность против разнообразия: как обучить языковую модель думать?
![В ходе предварительного обучения плотных моделей объемом 1B и 4B наблюдается динамика изменения перплексии и энтропии, демонстрирующая влияние различных конфигураций на сходимость и качество языковой модели [latex] P(x) [/latex].](https://arxiv.org/html/2512.22955v1/x8.png)
Новое исследование показывает, что контроль над энтропией токенов во время предварительного обучения языковых моделей позволяет повысить их способность к рассуждениям и улучшить результаты обучения с подкреплением.
Поиск ближайших соседей: Защита от атак и гарантии точности
![Решения для β демонстрируют зависимость от значения [latex]c[/latex] в гиперкубической и [latex]\ell_{2}[/latex]-областях, что позволяет установить связь между параметрами и соответствующими решениями.](https://arxiv.org/html/2601.00272v1/solutions_l2.png)
В новой работе исследованы эффективные алгоритмы для поиска ближайших соседей, устойчивые к целенаправленным атакам и обеспечивающие надежные результаты.