Kategória
Výskumné práce, metódy, reprodukovateľné výsledky a posuny v bezpečnosti modelov.
Preprint na arXive testuje kombináciu riedkej náhodnej projekcie a multinomickej logistickej regresie pre klasifikáciu nádorov centrálneho nervového systému z DNA metylačných profilov.
Nový preprint Agent4cs opisuje viacagentový postup, ktorý nečíta veľký repozitár ako plochý text, ale skladá zhrnutia zdola nahor po priečinkoch a kontroluje ich cez samostatného QA agenta.
Nový preprint navrhuje párovaný audit pre agentické VideoQA systémy. Dynamic-SAGE zvyšuje presnosť o 7,5 bodu a znižuje viditeľné volania nástrojov, no zároveň ukazuje, že tokeny a náklady môžu rásť.
Výskum Apple opisuje amortizované maximum inner product search: neurónové siete SupportNet a KeyNet sa učia predpovedať riešenia vyhľadávania v pevnej databáze vektorov a môžu zlepšiť smerovanie dotazov v embedding indexoch.
Výskumný článok Apple predstavuje Conformal Thinking: rámec, ktorý adaptívne zastavuje uvažovanie modelu podľa cieľového rizika, aby reasoning modely nemíňali tokeny tam, kde to už nepomáha.
Apple a EPFL predstavujú VideoFlexTok, tokenizér pre video modely s premenlivou dĺžkou reprezentácie. Má zachytiť najprv sémantiku a pohyb, až potom jemné detaily, čo môže znížiť cenu tréningu generatívnych video modelov.
Apple opisuje MemoryLLM, výskumný prístup na oddelenie feed-forward vrstiev od self-attention. Cieľom je lepšie pochopiť, ako tokeny pristupujú k pamäťovým miestam v parametroch a či sa časť výpočtu dá presúvať medzi VRAM a úložiskom.
Výskumný tím Apple a UCLA opisuje rámec Ctrl-R, ktorý pri posilňovanom učení aktívne vyhľadáva rôzne vzory riešenia. Cieľom nie je dlhší reťazec úvah, ale lepšie pokrytie stratégií, ktoré sa pri bežnom vzorkovaní objavujú zriedka.
Nový preprint predstavuje FoGS, postup na výber syntetických vzoriek z viacerých generátorov pre survival analýzu. Autori tvrdia, že pri malých klinických kohortách môže filtrovanie nahradiť tréning na reálnych dátach lepšie než spoliehanie sa na jeden generátor.
Nový arXiv preprint formalizuje situáciu, v ktorej človek pozná svoje preferencie, no AI lepšie pozná kvalitu navrhovanej akcie. Pre dohľad nad autonómnymi agentmi je to realistickejší model než jednoduché schvaľovanie každého kroku.
Preprint stavia benchmark nad dátami NHANES, kde sa z pohybových senzorov a životného štýlu predikujú kardiometabolické biomarkery. Okrem presnosti sleduje aj intervaly neistoty a rozdiely medzi demografickými skupinami.
Nový preprint ukazuje, ako sa dá konformná predikcia zrýchliť pomocou približného leave-one-out odhadu, pričom si v asymptotickom režime zachováva pokrytie aj efektivitu blízku presnejším metódam.