#výskum

Dve nové práce z Apple Machine Learning Research riešia interaktívne dôkazy, pri ktorých overovateľ nemusí čítať celé dáta. Pre AI je to dôležitý základ pre auditovanie modelov, dátových analýz a tvrdení, ktoré vznikajú nad rozsiahlymi distribúciami.

CLaRa spája retrieval a generovanie v jednom optimalizačnom priestore. Namiesto posielania dlhých textov do generátora používa komprimované vektory a trénuje reranker aj generátor spoločnou jazykovou stratou.

Apple Machine Learning Research predstavuje evaluáciu metód na kvantifikáciu neistoty pri function-callingu. Pri nevratných akciách, ako je mazanie dát alebo finančné operácie, môže byť odhad neistoty rozhodujúcou bezpečnostnou brzdou.

Nový preprint na arXive dokazuje rýchlejšie miešanie pre randomizovanú verziu Hamiltonovského Monte Carla pri log-konkávnych rozdeleniach. Výsledok je teoretický, ale dôležitý pre presnejšie vzorkovanie v Bayesovskom strojovom učení.

Apple predstavil výskumné prostredie PARE a benchmark Pare-Bench, ktoré majú realistickejšie preveriť asistentov konajúcich skôr, než používateľ zadá priamy príkaz.

Nový preprint rieši základnú úlohu grafového párovania v korelovaných náhodných grafoch. Autori navrhujú algoritmus založený na lokálnych testoch stromovej korelácie, ktorý má dosiahnuť takmer presnú obnovu pri takmer kvadratickej zložitosti v režime, kde boli skoršie metódy výrazne pomalšie.

Preprint zo Stanfordu navrhuje štatistický test, ktorý porovná personalizovanú politiku zásahov s najlepším jednotným zásahom. Pre medicínu, vzdelávanie či odporúčacie systémy je dôležité, že sa nepýta iba na priemerný výkon modelu, ale aj na to, či prínos personalizácie stojí za jej náklady a krehkosť.

Nový preprint opisuje prostredie so 420-tisíc viacskokovými úlohami a samodestilačný postup DeepSearch-Evolve. Cieľom je trénovať webových agentov bez stáleho kopírovania silnejšieho učiteľa a s výsledkami, ktoré sa dajú reprodukovateľne overiť.

Apple Machine Learning Research opisuje SRLM, rámec pre dlhokontextové úlohy, ktorý vyberá programy podľa sebareflexie, konzistencie a odhadovanej neistoty. Výsledky naznačujú, že samotná rekurzia pri dlhom kontexte nestačí.

IBM Research predstavil CoFrGeNets, architektúru pre generovanie jazyka, ktorá nahrádza pozornosť a feed-forward bloky v transformeroch kompaktnejšími komponentmi. Výsledky sú zatiaľ výskumné, ale ukazujú smer k menším modelom s nižšími nárokmi na tréning.

Nový preprint AgentLens navrhuje benchmark pre interaktívnych kódovacích agentov. Hodnotí, ako agent používa nástroje, overuje prácu, zotavuje sa z chýb a komunikuje počas riešenia.

Nový arXiv preprint navrhuje G-DNMF, viacvrstvovú faktorizáciu pre rozpoznávanie objektov v radarových snímkach. Zaujímavý je najmä tým, že rieši interpretovateľnosť modelov v bezpečnostne citlivom videní.