Наука

Распознавание аномалий во временных рядах: новый подход к выявлению отклонений

от

Предложенный метод обнаружения аномалий, основанный на статистике MV-KS, демонстрирует превосходство над подходом, использующим оценки NLL, успешно выявляя модифицированные участки последовательностей, искажённые изменениями амплитуды и частоты, что подтверждается 7-процентным улучшением метрики F1 для определения принадлежности к классу.

Исследователи предлагают оригинальную методику для автоматического обнаружения необычного поведения во временных данных, основанную на глубоких генеративных моделях.

Как распознать ложь: Объяснимый ИИ на службе правды

от

Визуализация SHAP для сверточной нейронной сети демонстрирует вклад каждого признака в принятие решений моделью, позволяя оценить, какие области изображения наиболее существенно влияют на результат классификации.

Новое исследование сравнивает методы объяснимого искусственного интеллекта для выявления фейковых новостей и показывает, как эффективность этих методов зависит от архитектуры нейронной сети.

Предвидение пробок: Как нейросети учатся понимать дорожное движение

от

Предлагается методика Cluster-CALF, использующая большие языковые модели для прогнозирования сетевых временных рядов, основанная на кросс-модальной тонкой настройке и кластеризации на основе взаимной корреляции.

Новое исследование показывает, что современные модели глубокого обучения, обученные на данных о дорожном трафике, способны значительно повысить точность прогнозирования, учитывая как временные закономерности, так и структуру дорожной сети.

Борьба с финансовым мошенничеством на двух языках: неожиданные результаты

от

Наиболее значимые 20 признаков, выделенных методом TF-IDF и имеющих наибольший вес в модели опорных векторов, указывают на классовую принадлежность к мошенническим операциям.

Новое исследование показывает, что классические методы машинного обучения могут быть эффективнее современных нейросетевых моделей при обнаружении финансовых махинаций на бангла и английском языках.

Распознать подделку: новый взгляд на выявление сгенерированных изображений

от

Анализ расхождений между слоями в реальных и сгенерированных изображениях показывает, что наиболее информативными для выявления подделок являются средние слои нейронной сети (слои 10-11 и 14-15), в то время как поверхностные и глубокие слои демонстрируют высокую согласованность между реальными и сгенерированными данными, что снижает их дискриминационную способность.

Исследователи предлагают инновационный метод обнаружения изображений, созданных искусственным интеллектом, основанный на анализе изменений признаков в замороженной модели CLIP-ViT.