Скрытые связи: Восстановление сетей по неполным данным
![Представленный анализ демонстрирует, что разработанный байесовский предсказатель, оценивая улучшение по отношению к dcGM, способен не только достигать сопоставимых результатов по метрикам [latex] \text{ARE}_k [/latex], [latex] \text{MRE}_k [/latex], [latex] \langle\text{TPR}\rangle [/latex], [latex] \langle\text{PPV}\rangle [/latex], [latex] \langle\text{TNR}\rangle [/latex] и [latex] \langle\text{ACC}\rangle [/latex], но и превосходить его, причём оценка улучшения рассчитывается как [latex] (m_{\text{dcGM}}-m_{\text{Bayes}})/|m_{\text{dcGM}}| [/latex] или [latex] (m_{\text{Bayes}}-m_{\text{dcGM}})/|m_{\text{dcGM}}| [/latex], что указывает на эффективность предлагаемого полностью предсказывающего подхода к реконструкции данных.](https://arxiv.org/html/2602.21869v1/x14.png)
Новый подход позволяет реконструировать структуру сложных сетей, таких как финансовые транзакции, даже при ограниченном объеме информации.
Наука
Тёмная материя под прицетом нейросетей: новый подход к поиску гало
Учёные разработали гибридный алгоритм, сочетающий глубокое обучение и классические методы, для быстрой и точной идентификации гало тёмной материи в космологических симуляциях.
Интеллектуальное исследование графов знаний: новый подход к обучению языковых моделей
Исследователи предлагают инновационный метод, позволяющий языковым моделям самостоятельно исследовать и извлекать знания из графов, значительно улучшая ответы на сложные вопросы.
Выявление скрытых связей: Децентрализованный анализ первопричин в сложных системах
Новый подход позволяет обнаруживать аномалии и определять их источники в промышленных системах без обмена данными и модификации существующих моделей.
Прогноз нагрузки энергосистем США: Сравнение нейросетей
![Интеграция данных о погоде значительно повышает точность прогнозирования нагрузки, особенно в регионах с высокой изменчивостью температуры - в таких областях, как ISO-NE и ERCOT, наблюдается существенное снижение как средней абсолютной процентной ошибки [latex]MAPE[/latex], так и разброса прогнозов между [latex]P_{99.5}[/latex] и [latex]P_{0.5}[/latex], в то время как в регионах с умеренным климатом (например, CAISO) эффект от использования погодных данных менее выражен.](https://arxiv.org/html/2602.21415v1/x1.png)
Новое исследование систематически оценивает возможности различных архитектур нейронных сетей для краткосрочного прогнозирования потребления электроэнергии в ключевых регионах США.