Планирование будущего: как предсказывать последствия действий
![В рамках обобщенного конвейера планирования, ориентированного на состояния, из символического представления задачи Π генерируются исполняемые планы посредством обучения модели переходов: символические пары «состояние-цель» ([latex]s_t, g[/latex]) отображаются в фиксированные векторные представления [latex]\phi(s_t)[/latex] с использованием ядер графов WL или факторизованных векторов, после чего параметрическая (LSTM) или непараметрическая (XGBoost) модель изучает остаточные переходы состояний [latex]\Delta_t[/latex] для предсказания последующих вложений, а полученные предсказанные вложения [latex]\hat{\phi}(s_{t+1})[/latex] сопоставляются с допустимыми символическими преемниками [latex]\mathrm{Succ}(s_t)[/latex], индуцированными γ, гарантируя тем самым символическую валидность и обеспечивая обобщение на основе модели переходов.](https://arxiv.org/html/2602.23148v1/2602.23148v1/figures/state-centric-arch.png)
Новый подход к планированию, основанный на предсказании состояний, позволяет создавать более эффективные и универсальные алгоритмы, особенно в сложных, локально взаимодействующих средах.
![В рамках обобщенного конвейера планирования, ориентированного на состояния, из символического представления задачи Π генерируются исполняемые планы посредством обучения модели переходов: символические пары «состояние-цель» ([latex]s_t, g[/latex]) отображаются в фиксированные векторные представления [latex]\phi(s_t)[/latex] с использованием ядер графов WL или факторизованных векторов, после чего параметрическая (LSTM) или непараметрическая (XGBoost) модель изучает остаточные переходы состояний [latex]\Delta_t[/latex] для предсказания последующих вложений, а полученные предсказанные вложения [latex]\hat{\phi}(s_{t+1})[/latex] сопоставляются с допустимыми символическими преемниками [latex]\mathrm{Succ}(s_t)[/latex], индуцированными γ, гарантируя тем самым символическую валидность и обеспечивая обобщение на основе модели переходов.](https://arxiv.org/html/2602.23148v1/2602.23148v1/figures/state-centric-arch.png)
Новый подход к планированию, основанный на предсказании состояний, позволяет создавать более эффективные и универсальные алгоритмы, особенно в сложных, локально взаимодействующих средах.
Исследование предлагает оригинальный метод построения гауссовских процессов, вдохновленный пределом бесконечной ширины байесовских нейронных сетей, для повышения надежности и масштабируемости задач регрессии.

Исследователи разработали систему искусственного интеллекта, способную автоматически анализировать КТ-изображения и выявлять признаки злокачественности опухолей почек с беспрецедентной точностью.
![Усовершенствованная модель Whisper, настроенная для преобразования речи в текст, способна не только расшифровывать аудио, но и выявлять искусственно созданные слова, ориентируясь на окружающие их специальные маркеры [latex]\langle TOF \rangle[/latex] и [latex]\langle EOF \rangle[/latex].](https://arxiv.org/html/2602.22658v1/2602.22658v1/x1.png)
Исследователи предлагают метод обнаружения синтезированных слов в речи, интегрированный в процесс автоматического распознавания речи.

Новое исследование сравнивает способность человека и современных моделей искусственного интеллекта оценивать визуальное сходство графов, открывая перспективы для улучшения инструментов визуального анализа.