Волны волатильности: как рынки влияют друг на друга
![На протяжении периода с 19 марта 2008 года по 22 апреля 2024 года, оценка волатильности акций AAPL [latex]\mu_{i,t}[/latex] демонстрировала динамику, сопоставимую с изменением специфической компоненты [latex]exp(\varsigma_{i,t})[/latex], отражая взаимосвязь между общей рыночной неопределенностью и индивидуальными особенностями поведения данной акции.](https://arxiv.org/html/2601.16837v1/x31.png)
Новая модель позволяет более точно анализировать взаимосвязи и распространение волатильности между множеством финансовых инструментов.
Наука
Оптимизация вслепую: как объединить алгоритмы для лучшего результата
Новое исследование показывает, что разумное распределение вычислительных ресурсов между несколькими алгоритмами оптимизации позволяет добиться стабильного улучшения производительности в задачах, где функция недоступна для анализа.
Когда точность оборачивается крахом: проблема сужения поведения моделей с обратной связью
![Семантическая связь ускоряет ухудшение обобщающей способности модели: при обучении исключительно на персидском языке, более сильная семантическая связь и увеличение размера групп приводят к более быстрому снижению точности распознавания элементов из невидимой сиамской категории, демонстрируя, что [latex] \text{accuracy} \propto \frac{1}{\text{semantic coupling} \times \text{group size}} [/latex].](https://arxiv.org/html/2601.15609v1/imgs/semantic.png)
Новое исследование выявляет опасную тенденцию в обучении больших языковых моделей с использованием обратной связи от человека, когда стремление к точности приводит к потере разнообразия и снижению эффективности.
Интеллектуальное планирование производства: новые возможности с помощью искусственного интеллекта
![Автоматизированное проектирование динамических систем управления на основе больших языковых моделей [latex]LLM4DRD[/latex] позволяет создавать адаптивные решения для задач, требующих постоянной оптимизации и перенастройки, как, например, в системе [latex]FAFSP[/latex].](https://arxiv.org/html/2601.15738v1/x1.png)
Исследователи разработали систему, использующую возможности больших языковых моделей для автоматической оптимизации производственных процессов на гибких сборочных линиях.
Оптимизация в реальном времени: новый подход к адаптивному обучению
![В контексте оптимизации с использованием [latex] \ell_1 [/latex] и [latex] \ell_2 [/latex] норм, жадные алгоритмы стремятся к немедленному приближению к решению, проецируя текущую оценку [latex] y - g_t [/latex], в то время как ленивые алгоритмы учитывают предыдущую итерацию [latex] y - g_t - g_{t-1} [/latex], что демонстрирует разницу в подходе к минимизации и потенциальное влияние на скорость сходимости.](https://arxiv.org/html/2601.15984v1/x3.png)
В статье представлен алгоритм, позволяющий эффективно обучать модели в условиях потоковых данных, минимизируя затраты на переключение и сохраняя высокую точность.