Исследование демонстрирует возможность использования импульсных нейронных сетей для высокоточной оценки характеристик ультраширокополосных каналов связи без необходимости предварительного обучения с учителем.
Исследователи разработали метод машинного обучения для выявления ключевых инвариантов тензоров, открывая новые возможности для анализа симметрий в физике и математике.
![Потоковые нейронные сети (FlowNP) демонстрируют способность точно моделировать резкие переходы в случайных ступенчатых функциях, в отличие от нейронных сетей на основе авторегрессионных предсказаний (TNP), которые, ограничиваясь гауссовыми распределениями на каждом шаге, не способны уловить мультимодальность и точность, подтвержденную анализом маргинального распределения [latex]y[/latex] при [latex]x=0[/latex].](https://arxiv.org/html/2512.23853v1/figures/step3.png)
Исследователи предлагают FlowNP — инновационную архитектуру, превосходящую существующие методы в задачах генерации и оценки условных распределений функций.
![Предложенная схема совместного прогнозирования для хаотических динамических систем решает проблему крайней чувствительности к начальным условиям и многомасштабности, моделируя совместное распределение вероятностей временных последовательностей [latex]p({x}\_{t\_{n}},{x}\_{t\_{1}},{x}\_{t\_{2}},\ldots)[/latex] и получая прогноз текущего состояния путем маргинализации этого распределения, что позволяет не только предсказывать развитие системы, но и оценивать присущую ей неопределённость через анализ дисперсии ансамбля, автокорреляции и смещения Вассерштейна.](https://arxiv.org/html/2512.24446v1/figures/vizabs_B.png)
Новый подход к прогнозированию временных рядов использует совместные вероятностные распределения для повышения точности и учета неопределенности.
Новое исследование показывает, что существующие алгоритмы 3D-семантической сегментации испытывают трудности с анализом данных, полученных в зонах стихийных бедствий.