Климатические модели: новый подход к точности и эффективности
![Преобразование бивариантного, не-гауссова распределения в стандартное гауссово осуществляется посредством каскада моделей: параметрическая модель [latex]\mathcal{G}[/latex] стандартизирует маргинали, приближая хвосты к основной массе распределения, полупараметрическая модель [latex]\mathcal{H}[/latex] корректирует остаточные отклонения от гауссовости, а байесовское транспортное отображение [latex]\mathcal{T}[/latex] улавливает и устраняет нелинейную зависимость, достигая совместной гауссовости, что демонстрируется на примере поля глобальной логарифмической скорости выпадения осадков, полученного из климатической модели, при этом совместная оценка [latex]\mathcal{G}[/latex] и [latex]\mathcal{H}[/latex] затрудняет интерпретацию их поведения по отдельности.](https://arxiv.org/html/2602.23311v1/2602.23311v1/x2.png)
Исследователи разработали метод, позволяющий создавать более точные и экономичные модели внутренней изменчивости климата.
Наука
Предвидеть Ошибки: Машинное Обучение на Страже Безопасности Клинических Исследований
Новая система, основанная на машинном обучении, позволяет выявлять клинические исследования с повышенным риском ошибок в дозировках еще до их возникновения.
Адаптивные модели потоков: точное предсказание в реальном времени
![Разработанная модель пониженной размерности кодирует и уменьшает поля скоростей [latex]\mathcal{U}[/latex] и [latex]\mathcal{V}[/latex] вместе с параметризацией ξ, после чего трансформер авторегрессивно разворачивает динамику в латентном пространстве, используя механизмы самовнимания и перекрестного внимания к ξ, а декодер [latex]\mathcal{D}[/latex] проецирует латентные состояния и ξ обратно в физическое пространство.](https://arxiv.org/html/2602.23188v1/2602.23188v1/x2.png)
Новый подход позволяет эффективно настраивать упрощенные модели течения жидкости в изменяющихся условиях, обеспечивая высокую точность прогнозов.
Обучение в команде: как снизить переоценку в многоагентном обучении с подкреплением
![В рамках предложенной схемы QSIM происходит самообучение представлений действий посредством автокодировщика, а затем вычисление косинусного сходства между отклоняющимися действиями [latex] a^{j}_{i} [/latex] и жадными действиями [latex] a^{*}_{i} [/latex] для получения взвешенных нормализованных весов, которые, в свою очередь, используются для построения почти жадных совместных действий [latex] c^{j}_{i} [/latex] и агрегирования их целевых значений временных различий (TD) в конечное взвешенное целевое значение TD [latex] Y_{QSIM} [/latex].](https://arxiv.org/html/2602.22786v1/2602.22786v1/x2.png)
Новая методика QSIM позволяет стабилизировать процесс обучения в сложных многоагентных системах, учитывая схожесть действий агентов.
Когда ИИ не уверен: Управление неопределенностью в системах с множеством агентов
В статье рассматривается комплексный подход к решению проблемы неопределенности, возникающей при работе сложных систем, управляемых большими языковыми моделями и взаимодействующими агентами.