arXiv · 14.06.2026 ·ИИ-агенты и память

Память в ИИ для прогнозирования трафика

Исследователи из Университета Цинхуа и других ведущих вузов представили новый подход к прогнозированию состояния дорожного движения с использованием памяти. В статье, опубликованной на arXiv, они предлагают Memory-Augmented Graph Liquid Time-Constant Networks (M-GLTN) — модель, которая решает проблему нехватки данных в некоторых регионах за счёт переноса знаний из других областей.

Проблема ограниченных данных в системах интеллектуального транспорта актуальна: в некоторых районах из-за недостатка сенсоров данных для обучения моделей не хватает. Авторы предлагают использовать графовые нейронные сети с памятью, которые могут учитывать временные и пространственные зависимости в данных о трафике. Это позволяет модели обучаться на данных из других регионов и применять полученные знания в новых условиях.

Ключевое отличие M-GLTN от существующих решений — в использовании памяти для хранения и переноса знаний между разными доменами. Это особенно важно для ИИ-агентов, которые работают в динамических средах и должны адаптироваться к новым условиям. Подобные подходы могут быть полезны и для других задач, где требуется перенос знаний между разными контекстами.

Разработчики Jarv могут извлечь из этой работы несколько полезных идей. Во-первых, использование памяти для хранения и переноса знаний может улучшить адаптивность агентов. Во-вторых, графовые структуры данных могут быть полезны для моделирования сложных зависимостей в данных. Наконец, подход к переносу знаний между разными доменами может быть применён для улучшения работы агентов в новых условиях.

Источник: arXiv

Похожие материалы

arXiv · ИИ-агенты и память Исследование геометрии памяти в непрерывном обучении Учёные изучили структуру памяти в непрерывном обучении, чтобы понять, как ИИ-агенты могут сохранять знания без катастрофического забывания. Исследование основано на фреймворке Accessibility Collapse и анализирует, как модели, такие как ResNet-18, теряют и восстанавливают информацию при обучении на последовательных задачах. arXiv · ИИ-агенты и память DYNA: динамическая память для ИИ-агентов на основе временных графов Исследователи из MIT и других университетов предложили фреймворк DYNA, который решает проблему забывания знаний у больших языковых моделей (LLM). DYNA использует временной знаний граф, где события — это узлы, а временные отношения — направленные, временно помеченные рёбра. Этот граф служит внешней, обновляемой памятью, что позволяет LLM работать с новыми данными без переобучения. arXiv · ИИ-агенты и память Новый подход к редактированию знаний в ИИ-агентах Исследователи из MIT и Университета Карнеги-Меллона представили новый метод редактирования знаний в ИИ-моделях, который позволяет обновлять конкретные факты, не затрагивая близлежащие, но нерелевантные данные. В статье, опубликованной на arXiv, авторы предлагают использовать память, которая извлекается во время инференса, и адаптеры для коррекции предпочтений модели. Hacker News · ИИ-агенты и память Проблема памяти в ИИ: почему системы всё ещё работают как поиск Автор статьи Jeffrey Flynt поднимает важный вопрос о текущем состоянии памяти в ИИ-агентах. Он утверждает, что большинство современных систем, включая RAG (Retrieval-Augmented Generation), работают по принципу поиска, а не по принципу истинной памяти. Это означает, что они не могут эффективно хранить и использовать контекстную информацию в долгосрочной перспективе, а лишь извлекают данные из базы при каждом запросе. Hacker News · ИИ-агенты и память The Hanging Gardens Problem: вызов для памяти ИИ-агентов Исследователи из ar-ms.me представили концепцию The Hanging Gardens Problem (THGP), которая ставит под сомнение традиционные подходы к хранению и управлению информацией в ИИ-агентах. Проблема заключается в том, что при увеличении объема данных, которые агент должен запоминать и обрабатывать, его эффективность начинает падать из-за фрагментации и несоответствий в информации. Hacker News · ИИ-агенты и память CLI-агент с памятью и адаптивным поведением Команда Vektor Memory представила новую версию своего CLI-агента, который становится умнее с каждым использованием. Это достигнуто благодаря интеграции механизмов памяти и адаптивного обучения, что позволяет агенту запоминать контекст и улучшать свои ответы со временем. arXiv · Прогнозирование и моделирование Новый подход к долгосрочному прогнозированию временных рядов Исследователи из Arxiv представили новый метод HAMON, который использует пассивное оптическое смешивание последовательностей для долгосрочного прогнозирования временных рядов. Этот подход демонстрирует, что простые линейные и частотные модели могут быть конкурентоспособными в задачах долгосрочного прогнозирования, что ставит под сомнение необходимость использования сложных трансформерных моделей в этом контексте. arXiv · ИИ-агенты и память ReGrad: постобучение без потери знаний Исследователи из MIT и Google Research предложили новый подход к постобучению моделей, который решает проблему накопления весового дрейфа. В работе «Retrievable Gradients: Continual Post-Training Without Cumulative Weight Drift» авторы вводят концепцию ReGrad — метода, позволяющего моделям обновляться после развертывания без потери ранее усвоенных знаний. Hacker News · Инференс и железо Как кеш ключ-значение влияет на VRAM при работе с длинным контекстом Работа с длинными контекстами в ИИ-моделях — одна из ключевых задач при разработке агентов. Однако увеличение длины контекста приводит к росту потребления VRAM, что ограничивает возможности инференса на доступном железе. В статье разбирается, как именно кеш ключ-значение (KV cache) влияет на использование памяти и какие стратегии позволяют оптимизировать этот процесс. arXiv · Оптимизация инференса в ИИ-агентах Как снизить задержки в системах с потоковыми данными Исследователи из MIT и Google предложили новый подход к обработке потоковых данных в системах машинного обучения, который может существенно снизить задержки и нагрузку на серверы. В статье, опубликованной на arXiv, они описывают метод, который отделяет процесс инференса от обновления состояния, используя вероятностное прореживание (probabilistic thinning).

← Все материалы