Слияние моделей: новый взгляд на обобщение знаний
В статье представлена теоретическая основа для понимания эффективности различных методов слияния моделей, позволяющая оптимизировать их работу в условиях разнородных задач.
Наука
Защита моделей: как сделать обновления несовместимыми
Новый подход позволяет создавать обновления для нейросетей, эффективно работающие по отдельности, но теряющие эффективность при объединении с другими, предотвращая несанкционированное слияние моделей.
Обучение в Неизвестности: Алгоритм Томпсона для Стохастических Игр
Новое исследование предлагает эффективный алгоритм обучения с подкреплением для игр с неполной информацией и случайными факторами, позволяющий игрокам адаптироваться к неизвестным параметрам среды.
Эволюция без задач: Новый подход к адаптивной оптимизации
Исследователи представили алгоритм ABOM, способный самостоятельно совершенствовать стратегии оптимизации, не требуя предварительного обучения на специализированных задачах.
Сложные потоки: Новый подход к моделированию многокомпонентных сред
![Предложенный неявный лагранжев численный метод демонстрирует устойчивость и независимость от размера сетки при моделировании контактных взаимодействий и умеренных ударных волн, сохраняя точность определения точек контакта и скачков даже при относительно высоком числе Куранта [latex]k_{CFL}=10.0[/latex] и используя интегратор по времени SDIRK2 второго порядка.](https://arxiv.org/html/2601.21241v1/x4.png)
В статье представлен эффективный численный метод для точного моделирования поведения сложных жидкостей и материалов, состоящих из нескольких компонентов.