Наука

Обучение моделей вязкости льда с помощью нейросетей

от

Проведенное исследование демонстрирует возможность точного определения эффективной вязкости морского льда на основе зашумленных данных о напряжениях и скоростях, при этом средние значения, полученные из десяти моделей, инферензированных из различных выборок ошибок, и их стандартные отклонения, позволяют оценить надёжность полученных результатов и решить уравнение $50$ с учётом $55$ в условиях обучения.

Новый подход позволяет извлекать сложные реологические характеристики морского и наземного льда непосредственно из данных, открывая возможности для более точного моделирования и прогнозирования.

Стираем следы: Как обеспечить надежность и ответственность больших языковых моделей

от

В статье рассматриваются современные методы ‘забывания’ данных в больших языковых моделях и связанные с этим вызовы, необходимые для защиты конфиденциальности и повышения надежности.

Ловушка для фейков: как ИИ проверяет новости на правдивость

от

Система FactGuard, состоящая из модулей извлечения признаков на основе больших языковых моделей и адаптивного объединения этих признаков с содержанием новостей посредством механизма кросс-внимания, обеспечивает классификацию новостных статей, а последующая дистилляция знаний позволяет создать облегченную версию FactGuard-D, функционирующую без использования больших языковых моделей.

Новая система FactGuard использует возможности искусственного интеллекта и здравый смысл для надежного выявления ложных новостей, минимизируя влияние стилистических особенностей и повышая точность проверки фактов.

Нейросимволическая логика против предвзятости в машинном обучении

от

Система ProbLog4Fairness успешно моделирует различные типы предвзятости, приближаясь к наилучшим результатам, при этом точность и статистическое расхождение измеряются при возрастающей вероятности проявления предвзятости в данных – будь то предвзятость, связанная с метками, измерениями или историческими факторами – в процессе обучения, при оценке на непредвзятых данных на этапе тестирования.

Новый подход, объединяющий вероятностное логическое программирование и глубокое обучение, позволяет моделировать и смягчать различные типы предвзятости в алгоритмах.