Повышение точности AI-детекторов MIMO: новый подход к снижению неопределенности
![В предлагаемом подходе к выводу, в отличие от стандартного контролируемого обучения, используется многократная передискретизация входных данных, генерирующая несколько выборок из одного наблюдения, при этом, если характеристика [latex]Char(f)[/latex] неизвестна, она исключается из входных данных модели.](https://arxiv.org/html/2602.23315v1/2602.23315v1/x2.png)
Исследователи предлагают инновационный метод, использующий перевыборку и инвариантные преобразования, для улучшения работы систем обнаружения MIMO на основе искусственного интеллекта.

![По мере увеличения глубины трансформаторной модели наблюдается прогрессивное концентрирование представлений генов на оси секреции и локализации, что выражается в росте доли дисперсии [latex] SV_1 [/latex] с 19% (на нулевом слое) до 77% (на одиннадцатом слое), при этом регуляторные пары, идентифицированные с помощью TRRUST, сохраняют ко-локализацию в противоположных полюсах [latex] SV_2 [/latex] на всех слоях, что указывает на встраивание ко-регулируемых генов в близкое внутреннее геометрическое пространство модели.](https://arxiv.org/html/2602.22247v1/2602.22247v1/fig5_spectral_and_trrust.png)



