Эмоции в кадре: Новый датасет для реалистичной видеогенерации

Набор данных EmoVid охватывает восемь категорий эмоций – удовлетворение, благоговение, веселье, волнение, печаль, отвращение, страх и гнев – и представлен в трех типах контента: анимация, кино и стикеры, демонстрируя разнообразие визуальных стилей и контекстов, а также мультимодальное богатство и обобщающую способность между доменами.

Представлен EmoVid – масштабный мультимодальный видео-датасет, призванный улучшить понимание и генерацию эмоциональной выразительности в видеоконтенте.

Обучение через действие: Искусственный интеллект как инструмент для развития математического мышления

В статье исследуется возможность интеграции генеративного искусственного интеллекта в практику обучения математике, основанную на принципах активного исследования и совместной деятельности.

Искусственный интеллект на службе: возможности и риски больших языковых моделей в военном деле

В статье рассматривается потенциал применения передовых систем искусственного интеллекта, основанных на обработке естественного языка, в военной сфере и анализируется возможность их реализации с использованием облачных сервисов.

Умный дом без компромиссов: Защита приватности в эпоху объяснимого ИИ

Агрегированная энтропия SHAP выявляет сложность вклада признаков, демонстрируя, как неопределенность в предсказаниях модели распределяется между различными входными переменными и указывая на потенциальные области для улучшения интерпретируемости и надежности.

Новый подход позволяет сочетать точность предсказаний, прозрачность работы моделей искусственного интеллекта и надежную защиту персональных данных в системах «умного дома».

Скрытые симметрии уравнений: новый подход к анализу данных

Анализ симметрии демонстрирует сопоставление аналитических и основанных на данных подходов, позволяющее выявить различия в их применении и эффективности.

Предложен метод автоматического выявления симметрий в дифференциальных уравнениях непосредственно из разрозненных данных, без предварительного знания о динамике системы.

Растительность под прицетом ИИ: Оценка биофизических параметров по снимкам Sentinel-2

Архитектура, представленная на рисунке, демонстрирует сквозной процесс обучения с использованием трансформер-VAE и декодера PROSAIL, обеспечивая как этап обучения, так и последующую инференцию и валидацию модели.

Новый подход, сочетающий физические модели и возможности глубокого обучения, позволяет точно оценивать ключевые характеристики растительности, используя только синтетические данные.