Обзор современных методов стохастической оптимизации для эффективного распределения ресурсов в сетях нового поколения, учитывающих возможности генеративного искусственного интеллекта и квантовых технологий.
В статье представлена теория квантовых графов и продемонстрирован способ построения на их основе новых примеров спиновых моделей, открывающих перспективы для разработки новых инвариантов узлов и углубленного изучения некоммутативной геометрии.
Новые гибридные квантово-классические модели демонстрируют превосходство в анализе путей атак, особенно в условиях ограниченных данных для обучения.
![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.
В новой работе исследователи предлагают алгоритмы обучения с подкреплением, использующие аппроксимацию функций, для систем, где текущее состояние недостаточно для прогнозирования будущего.
![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.
Исследователи предлагают новый подход к сжатию и ускорению языковых моделей, работающих на принципах спайковых нейронных сетей, для эффективного использования в устройствах с ограниченными ресурсами.
Новая работа предлагает структурированный подход к анализу процессов извлечения информации и логических рассуждений, необходимых для ответа на многоступенчатые вопросы.
![В предложенной схеме композиционного векторного квантования низкоразмерного кодекса входное изображение преобразуется в непрерывное латентное пространство [latex]zz[/latex], которое масштабируется билинейной интерполяцией с коэффициентом β, после чего каждый вектор признаков разделяется на [latex]m[/latex] блоков и квантуется с использованием общего кодекса [latex]\mathcal{C}[/latex], содержащего [latex]K[/latex] кодовекторов размерности [latex]d^* = d/m[/latex], а затем собранные и усреднённые блоки восстанавливают исходную форму [latex]zz[/latex], после чего декодер преобразует полученную карту признаков обратно в изображение.](https://arxiv.org/html/2601.00222v1/x2.png)
Исследователи представили LooC — инновационный метод векторной квантизации, позволяющий значительно уменьшить размер кодовых книг без потери качества реконструкции изображений.
![Разработанная схема MORE-ML, объединяющая квантово-механические свойства молекулярных блоков с методами машинного обучения, позволяет предсказывать характеристики связывания, такие как [latex]E_{ads}[/latex], [latex]\Delta\phi[/latex] и [latex]\Delta Q[/latex], посредством регрессии и анализа объяснимости модели, при этом оптимизация гиперпараметров достигается через байесовскую оптимизацию с 100 итерациями и 10-кратной перекрестной проверкой, а предварительный отбор данных осуществляется с использованием обнаружения аномалий и метода farthest point sampling.](https://arxiv.org/html/2601.00503v1/FIG3_ML_workflow.png)
Новый подход объединяет расчеты квантовой механики и методы машинного обучения для создания более чувствительных и точных сенсоров, способных определять биомаркеры запаха тела.