Нейронные сети: обучение на событиях для максимальной эффективности

Основываясь на событийно-управляемых обновлениях весов, предложенная архитектура электронного обучения распространяет сигнал ошибки от выходного слоя к рекуррентному, используя архивную историю предыдущих шагов вычислений, что позволяет реализовать обучение в конвейере, глубина которого определяет количество незавершенных операций на момент обновления весов.

Новое исследование предлагает масштабируемый и биологически правдоподобный метод обучения рекуррентных импульсных нейронных сетей, основанный на распространении пригодности, управляемом событиями.

Здоровье машин под прицепом: новый взгляд на диагностику и прогнозирование отказов

Архитектура I-GLIDE использует специфичные для подсистем энкодер-декодерные головы для обучения различным латентным представлениям, объединяемым в общее латентное пространство посредством функции потерь реконструкции, основанной на данных о здоровом состоянии, после чего извлекаются показатели аномалий (HI) с использованием метрик RaPP и UQ по полным траекториям, а агрегированные показатели HI используются для предсказания остаточного срока полезного использования (RUL) посредством регрессора на основе случайного леса $\mathcal{F}$.

Исследователи предлагают инновационный подход к созданию надежных индикаторов состояния, позволяющих более точно предсказывать оставшийся ресурс сложных инженерных систем.

Искусственный интеллект на страже погоды: новый подход к анализу экстремальных явлений

EWE определяет факторы, приводящие к экстремальным явлениям, посредством процесса, имитирующего человеческое мышление, последовательно извлекая данные и используя специализированный набор физических диагностических инструментов.

В статье представлена система, способная автоматически диагностировать опасные погодные условия, используя возможности больших языковых моделей и метеорологических инструментов.

Искусственный разум на испытании: новая платформа для визуального мышления

Иллюстрации к задаче

Представлена Sphinx — среда для генерации задач на визуальное рассуждение, позволяющая оценить и улучшить способности современных моделей искусственного интеллекта.

Сложность не помеха? О границах обобщения в нейронных сетях

Тепловые карты обобщения по уровням сложности для Qwen2.5 14B Instruct на наборе данных MMLU Pro демонстрируют, что дообучение на конкретном уровне сложности значительно улучшает производительность на других уровнях, при этом наибольший прирост наблюдается при переходе от более легких к более сложным задачам, что указывает на способность модели к переносу знаний и адаптации к различным уровням когнитивной нагрузки.

Новое исследование показывает, что обучение на задачах разной сложности не гарантирует улучшения производительности нейронных сетей при переходе на задачи других уровней.

Динамика систем и причинно-следственные связи: новый взгляд на моделирование

Модель демонстрирует зависимость скорости принятия нового пользователя $r(t)$ от эталонного значения $moder(t)$, что позволяет установить референсный показатель для оценки и прогнозирования динамики вовлечения.

В статье представлена математическая база для объединения подходов системной динамики и структурного моделирования, открывающая возможности для комплексного анализа и сопоставления методов выявления причинно-следственных связей.

Юридический Искусственный Интеллект: Путь к Надежности и Прозрачности

Архитектура предлагаемого агента на основе больших языковых моделей для юридической сферы представляет собой комплексную систему, способную к анализу правовых документов и автоматизации задач, связанных с юридической деятельностью.

Новый подход объединяет возможности больших языковых моделей с формальной логикой для создания правовых систем, способных к интерпретации законов и предоставлению обоснованных решений.