Финансовый интеллект машин: новый эталон оценки
Исследователи представляют FIRE — комплексный набор тестов, призванный проверить способность искусственного интеллекта к решению реальных финансовых задач.
Наука
Эволюция алгоритмов: как нейросети учатся управлять оптимизацией
![Наблюдения показали, что при приближении к пределу улучшения (fitness = n), методика CWM корректно предсказывает, что только значение [latex]k=2[/latex] приводит к дальнейшему прогрессу, в отличие от адаптивных алгоритмов, которые в условиях стагнации уменьшают параметр [latex]k[/latex].](https://arxiv.org/html/2602.22260v1/2602.22260v1/figures/jk_heatmap.png)
Новое исследование показывает, что большие языковые модели способны генерировать эффективные стратегии адаптивного управления параметрами для эволюционных алгоритмов, опираясь на анализ траекторий и кодирование динамики решаемых задач.
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.
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.