Машинное обучение
Новый алгоритм обучения гауссовских распределений при усечении полупространством
Исследователи представили алгоритм для восстановления параметров многомерного гауссовского распределения, подвергшегося усечению неизвестным полупространством. Работа решает проблему оптимизации сложности выборки и времени вычислений, достигая теоретически оптимальных границ. Предложенный метод значительно превосходит предыдущие полиномиальные решения, обеспечивая высокую точность аппроксимации при заданном уровне погрешности в условиях высокой размерности данных.
Ускорение байесовского вывода в эпидемиологических моделях через SBI
Исследователи представили метод вывода на основе симуляций (Simulation-based inference, SBI) для калибровки эпидемиологических моделей. Новый подход позволяет значительно ускорить оценку параметров по сравнению с традиционными методами Монте-Карло по марковским цепям (MCMC). Это критически важно для высокоразмерных нелинейных систем, где требуется оперативный анализ данных в режиме, близком к реальному времени.
BetXplain: датасет для выявления манипулятивной рекламы ставок в соцсетях
Исследователи представили BetXplain — специализированный датасет с аннотациями для обучения моделей автоматическому обнаружению манипулятивной рекламы букмекерских контор. Набор данных содержит примеры контента, использующего психологические триггеры для вовлечения пользователей в рискованные ставки, что позволяет ИИ-системам эффективнее модерировать рекламные потоки в социальных сетях и защищать аудиторию от деструктивного влияния.
Ribbon: новый метод масштабируемой оценки неопределенности в сложных моделях
Исследователи представили Ribbon — новый метод аппроксимации для оценки предсказательной неопределенности в высокоразмерных моделях машинного обучения. В отличие от классических байесовских подходов или бутстреп-ресемплинга, требующих значительных вычислительных затрат на повторное обучение или сэмплирование, Ribbon обеспечивает надежную количественную оценку уверенности модели, сохраняя при этом высокую вычислительную эффективность и масштабируемость для современных архитектур.
Стартап Un0 обещает снижение энергопотребления ИИ в 1000 раз
Бывший руководитель направления ИИ в Databricks представил систему генерации изображений Un0, которая демонстрирует радикальный подход к эффективности вычислений. Разработчики утверждают, что их технология способна снизить затраты электроэнергии при работе нейросетей в 1000 раз по сравнению с традиционными архитектурами, сохраняя при этом качество генерации, сопоставимое с современными рыночными аналогами.
Геометрия обновлений: метод Fisher Alignment для обучения LLM
Исследователи представили метод Fisher Alignment, позволяющий эффективно выбирать обучающие данные для LLM без необходимости проведения полноценного обучения. Подход решает проблему «активационной темноты» в специализированных доменах, таких как геномика и химия, где модели используют общие токенизаторы, но работают с принципиально разными целевыми задачами, что затрудняет оценку качества данных через стандартные метрики сходства представлений.
Hierarchical Muon: оптимизация обучения нейросетей через иерархические обновления
Исследователи представили Hierarchical Muon — новый метод оптимизации для обучения нейронных сетей, который значительно снижает вычислительную сложность стандартного алгоритма Muon. За счет иерархического подхода к итерациям Ньютона-Шульца метод позволяет эффективно работать с матрицами весов большого размера, сохраняя высокую точность сходимости при меньших затратах ресурсов, что критически важно для обучения современных архитектур с большим количеством параметров.
Обзор состояния графовых нейронных сетей (GNN) в 2025 году
Новый обзорный материал систематизирует развитие графовых нейронных сетей (GNN), которые превратились из узкоспециализированного метода в стандарт для работы с данными, имеющими реляционную структуру. Авторы анализируют дизайн-пространство архитектур, оценивают вычислительную эффективность механизмов передачи сообщений и определяют границы применимости графовых моделей в различных прикладных областях, от анализа социальных сетей до молекулярного моделирования.
Автоматизация формирования наград в обучении с подкреплением через VLM
Исследователи представили метод автоматизации формирования потенциальных наград (PBRS) в обучении с подкреплением с помощью Vision Language Models (VLM). Подход решает проблему разреженных сигналов вознаграждения, позволяя агентам эффективнее исследовать среду без риска «взлома» функции награды, характерного для ручного проектирования вспомогательных сигналов. Метод использует визуально-языковые модели для оценки прогресса выполнения задачи в реальном времени.
Новый метод оптимизации градиента для ускорения обучения нейросетей
Исследователи представили метод Stochastic Gradient Optimization with Model-Assisted Sampling, направленный на снижение дисперсии при оценке стохастического градиента. Новый подход позволяет эффективнее балансировать между скоростью сходимости и качеством обобщения моделей, минимизируя шум, неизбежно возникающий при использовании стандартных мини-пакетных методов обучения в глубоком обучении.
Победное решение в робототехнике: обучение VLA-моделей для складывания одежды
Исследователи представили архитектуру для автоматизации бимануального складывания одежды, занявшую призовые места на соревновании ICRA 2026. Система использует VLA-модель (vision-language-action), дополненную циклом обучения с подкреплением. Ключевая особенность подхода заключается в том, что нейросеть одновременно предсказывает действия и оценивает вероятность успеха задачи, что значительно повышает точность манипуляций в сложных условиях.
Метод TOPS для ускорения инференса мультимодальных моделей через прунинг токенов
Исследователи представили метод TOPS (Token Optimal Preservation Sets) для оптимизации работы мультимодальных больших языковых моделей (MLLM). Технология позволяет сократить количество визуальных токенов без потери точности, решая проблему избыточных вычислений. Подход базируется на принципах выбора наиболее информативных визуальных данных, что значительно снижает вычислительную нагрузку при сохранении высокого качества мультимодального анализа и рассуждений.
DMuon: масштабируемое распределенное обучение с оптимизатором Muon
Исследователи представили DMuon — метод распределенного обучения, адаптирующий оптимизатор Muon для работы в крупномасштабных кластерах. Решение устраняет вычислительные задержки, характерные для матрично-ортогональных методов, обеспечивая производительность, сопоставимую с классическим алгоритмом Adam. Это позволяет эффективно обучать современные глубокие нейронные сети, сохраняя высокую скорость сходимости при значительном увеличении количества параметров и сложности архитектур.
Автоматизированный перевод интерпретаторов с C на безопасный Rust
Исследователи представили Reboot — метод полуавтоматического перевода программ-интерпретаторов с языка C на безопасный Rust. Инструмент решает проблему критических уязвимостей памяти, характерных для систем обработки недоверенных данных. Технология автоматизирует сложные аспекты миграции, включая адаптацию правил владения и заимствования, что позволяет повысить безопасность критически важного инфраструктурного ПО без необходимости полной переработки кода вручную.
Новый метод CHAUN для повышения точности uplift-моделирования
Исследователи представили архитектуру Cross-Head Attention Uplift Network (CHAUN) и метод Robust Adversarial Inverse Propensity Score (RA-IPS) для оценки индивидуальных эффектов воздействия (ITE). Решение позволяет эффективнее использовать сходство между группами данных и устранять смещения, вызванные неявными факторами, что критически важно для точного прогнозирования результатов маркетинговых кампаний и персонализированных стратегий взаимодействия с клиентами.
Ускорение обучения с подкреплением через метод Heavy-Ball Q-Learning
Исследователи представили модифицированный алгоритм Heavy-Ball Q-learning, направленный на повышение эффективности обучения с подкреплением. Метод использует коррекцию остаточных весов для стабилизации процесса и достижения более высокой скорости сходимости по сравнению со стандартным Q-learning. Авторы математически доказали теоретические преимущества нового подхода как для табличных методов, так и для сценариев с линейной аппроксимацией функций.
Применение трансформеров для классификации бактериальных спектров Рамана
Исследователи адаптировали архитектуру трансформеров для анализа спектров комбинационного рассеяния (Рамана) бактерий. В работе проведено систематическое сравнение новой модели с классическими методами машинного обучения, такими как SVM, Random Forest и LDA в связке с методами снижения размерности PCA и ICA. Использование трансформеров позволило повысить точность классификации микроорганизмов в рамках строгой процедуры кросс-валидации.
Метод Data-Free Reservoir для эффективного обучения моделей в условиях холодного старта
Исследователи представили новый подход к инкрементальному обучению моделей в условиях «холодного старта» без использования исходных данных (exemplar-free). Метод решает проблему семантического дрейфа и предвзятости признаков, возникающих при последовательном добавлении новых классов, позволяя эффективно адаптировать нейросетевые архитектуры без необходимости повторного прогона по старым обучающим выборкам или наличия крупного начального набора данных.
Новая архитектура Gated Multi-Task Learning для анализа судебных решений
Исследователи представили архитектуру Judge-Aware Gated Multi-Task Learning, предназначенную для разделения объективных фактов дела и субъективного судейского усмотрения при прогнозировании юридических исходов. Модель использует многозадачное обучение с гранулярной таксономией результатов, что позволяет точнее интерпретировать логику судебных решений и выявлять факторы, влияющие на вариативность приговоров в схожих правовых ситуациях.
Методология оценки качества кластеризации при наличии разметки
Исследователи проанализировали методы оценки качества кластеризации с использованием внешних индексов валидности, доступных при наличии ground truth. Авторы систематизировали метрики, основанные на сопоставлении множеств, и предложили рекомендации по выбору инструментов для различных задач машинного обучения, выделяя Centroid Index как наиболее интерпретируемый вариант для оценки на уровне кластеров.
Основы вывода типов записей в функциональном программировании
Статья разбирает механизмы вывода типов для записей (record type inference), которые лежат в основе строгой типизации современных языков программирования. Автор объясняет, как компиляторы автоматически определяют структуру данных, минимизируя необходимость ручного аннотирования, что критически важно для надежности сложных систем, включая высоконагруженные пайплайны обработки данных и инфраструктуру машинного обучения.
Новый метод обучения роботов через использование априорных знаний о движении
Исследователи представили метод обучения роботов, который решает проблему нехватки физических навыков у моделей Vision-Language-Action (VLA). Вместо обучения управлению движением с нуля, авторы внедрили механизм априорных знаний об действиях (action priors). Это позволяет модели эффективнее переносить навыки между различными типами робототехнических платформ, значительно ускоряя процесс адаптации к новым задачам манипуляции объектами.
Алгоритм прогнозирования качества сварки с использованием адаптации доменов
Исследователи представили новый алгоритм для классификации состояния провара при сварке, решающий проблему деградации моделей при смене технологического процесса. Метод использует обучение без учителя для адаптации нейросетей при переходе от дуговой сварки (TIG) к лазерной, что позволяет сохранять высокую точность прогнозирования без необходимости сбора размеченных данных для каждого нового типа оборудования.
FedReLa: новый метод борьбы с дисбалансом данных в федеративном обучении
Исследователи представили FedReLa — алгоритм для федеративного обучения, решающий проблему дисбаланса классов при распределенных вычислениях. Метод использует стратегию переразметки данных (re-labeling) для компенсации различий между локальными распределениями на клиентских устройствах и глобальным набором данных. Это позволяет значительно повысить точность агрегированных моделей в условиях неоднородности данных и отсутствия доступа к централизованной статистике.