Наука

Улавливая Волну: Прогнозирование Эпидемий, Верований и Поведения

от

Предлагаемый конвейер TrendGNN формирует окончательную квадратную матрицу размера $(N_{signal} \times N_{state})^2$ посредством построения блочно-диагональной матрицы, где каждый светло-серый подблок на диагонали представляет собой матрицу сходства $N_{signal} \times N_{signal}$ для одного состояния, вычисленную с использованием DTW+S, при этом входные, выходные и целевые данные имеют размер $(N_{state} \times N_{signal}) \times \text{window}$, где длина окна составляет четыре недели.

Новый подход, основанный на графовых нейронных сетях, позволяет более точно предсказывать динамику распространения инфекций, изменение общественных убеждений и модели поведения.

Искусственный интеллект на службе общественного мнения: как оценить отношение к строительству дата-центров?

от

В рамках исследования разработана система оценки общественного мнения в центрах обработки данных, использующая виртуальных агентов, репрезентативность которых подтверждается $\chi^2$-тестами и формируется на основе сопоставления демографических данных округов с параметрами проектов; многомодальный опрос, охватывающий модели GPT-5, Gemini-2.5-Pro и Qwen-Max, позволяет анализировать ответы на тринадцать вопросов по пяти ключевым областям, обеспечивая возможность сопоставления результатов между моделями, регионами и человеческими опросами.

Новый подход позволяет использовать возможности больших языковых моделей для выявления и анализа общественного мнения о крупных инфраструктурных проектах, таких как дата-центры.

Предвидеть риски: Искусственный интеллект на службе ранней диагностики диабета

от

Иерархическая временная графовая нейронная сеть (HiT-Gnn) моделирует внутри- и междокументальные временные зависимости между клиническими сущностями, интегрируя знания UMLS для прогнозирования риска развития сахарного диабета 2 типа.

Новый подход, основанный на анализе медицинских записей и графовых нейронных сетях, позволяет более точно прогнозировать развитие диабета 2 типа на ранних стадиях.