Надежность машинного обучения в защите энергосистем: где кроется слабое звено?

Потеря данных о токе и напряжении оказывает заметное влияние на точность как классификации неисправностей, так и определения их местоположения, что подтверждается результатами пятикратной перекрестной проверки, представленными в виде средних значений с указанием стандартного отклонения для оценки разброса между итерациями.

Новое исследование показывает, что алгоритмы машинного обучения демонстрируют разную устойчивость к искажениям данных при классификации и локализации неисправностей в электросетях.

Разнообразие моделей ИИ: ключ к стабильности знаний

В силу присущих моделям смещений и ограниченности обучающих данных, искусственные экосистемы неизбежно подвержены коллапсу, при котором распределение информации в процессе многократных циклов обучения и генерации сужается, приближаясь к дельта-функциям, и даже совокупность моделей, обучающихся на результатах друг друга, не способна избежать деградации, в отличие от человеческого знания, стремящегося к расширению, наилучшим результатом для таких систем является лишь сохранение изначального распределения данных.

Новое исследование показывает, что умеренное разнообразие в архитектуре и данных языковых моделей помогает избежать деградации знаний и повышает общую эффективность искусственного интеллекта.

Достаточно ли одной GPT-OSS? Эффективность больших языковых моделей в финансах

Модель GPT-OSS-20B демонстрирует сопоставимую точность с GPT-OSS-120B в десяти задачах финансового NLP, при этом превосходя её по эффективности, что подтверждает сбалансированные результаты в областях анализа тональности, ответов на вопросы и распознавания сущностей.

Новое исследование показывает, что оптимизированные языковые модели меньшего размера могут превосходить более крупные аналоги в задачах финансового анализа.