Исследователи представили CR-Bench — комплексный инструмент для оценки эффективности систем автоматической проверки кода, демонстрирующий, что важнее находить действительно критичные ошибки, чем просто выявлять их больше.
Новое исследование оценивает устойчивость современных моделей компьютерного зрения к реальным визуальным помехам в видео и предлагает решение для повышения их надежности.
Новое исследование показывает, что повышение интеллекта в многоагентных системах может приводить к ухудшению коллективных результатов, если не учитывать доступные ресурсы.
Новый подход к генерации детальных описаний изображений позволяет нейросетям создавать более точные и лаконичные тексты, преодолевая ограничения традиционных методов.
![В работе, предложенной Бай и коллегами, временные свёрточные сети [latex]TCN[/latex] выступают в качестве эффективного инструмента для обработки последовательностей данных, демонстрируя свою применимость в задачах, требующих анализа временных зависимостей.](https://arxiv.org/html/2603.12073v1/aux_files/graphs/TCN.png)
Исследователи разработали инновационную систему на основе глубокого обучения для более точного определения участков ДНК, с которыми взаимодействуют факторы транскрипции, что позволяет лучше понять регуляцию генов.
Новый подход объединяет возможности больших языковых моделей с методами причинно-следственного вывода для повышения точности и надежности предсказания судебных решений.
Новое исследование представляет способ оценки способности больших языковых моделей к ассоциативному мышлению и созданию неожиданных, но осмысленных связей между понятиями.
Новый подход к моделированию вознаграждений позволяет компьютерным агентам эффективно учиться, наблюдая за действиями человека на экране.
Ученые разработали метод машинного обучения, позволяющий более точно определять силу магнитных полей у белых карликов и выявлять объекты с аномально высокими значениями.
![Исследование предлагает три подхода к анализу вклада входных признаков в процесс генерации токенов, основанные на матрице Шэпли [latex]\bm{\Phi}[/latex]: GlobalSHAP для оценки общего баланса модальностей, GenerativeSHAP для отслеживания динамики вклада модальностей на этапах генерации, и TemporalAlignmentSHAP для изучения соответствия между позициями входных признаков и выходных токенов.](https://arxiv.org/html/2603.12046v1/x2.png)
Новое исследование раскрывает, как модели машинного обучения комбинируют аудио- и визуальную информацию для более точного распознавания речи, даже в условиях помех.