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.

Новый подход к планированию, основанный на предсказании состояний, позволяет создавать более эффективные и универсальные алгоритмы, особенно в сложных, локально взаимодействующих средах.

От нейросетей к гауссовским процессам: новый подход к точному прогнозированию

Исследование предлагает оригинальный метод построения гауссовских процессов, вдохновленный пределом бесконечной ширины байесовских нейронных сетей, для повышения надежности и масштабируемости задач регрессии.

Визуальный интеллект против рака почек: новый взгляд на диагностику

В рамках предложенной схемы внимания, сфокусированной на органах, создаётся возможность выделять и анализировать трёхмерные структуры, что позволяет модели концентрироваться на релевантных областях и улучшать точность анализа.

Исследователи разработали систему искусственного интеллекта, способную автоматически анализировать КТ-изображения и выявлять признаки злокачественности опухолей почек с беспрецедентной точностью.

Увидеть сходство в графиках: как это делают люди и искусственный интеллект

Исследование, состоящее из трех взаимосвязанных экспериментов, демонстрирует, что мультимодальные большие языковые модели (MLLM) превосходят традиционные вычислительные метрики в оценке сходства графов, лучше согласуясь с человеческим восприятием и, благодаря интерпретируемым обоснованиям принимаемых решений, представляя собой более эффективный инструмент для помощи аналитикам при сравнении графов, чем простые вычислительные методы.

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