Новое исследование показывает, что современные системы анализа кода на основе искусственного интеллекта уязвимы к манипуляциям через специально сформированные комментарии, но их эффективность значительно возрастает при интеграции со статическим анализом кода.
Новая система использует возможности больших мультимодальных языковых моделей и экспертные знания для выявления дефектов на производстве без трудоемкой дообучающей оптимизации.
![В исследовании сравнивалась среднеквадратичная ошибка [latex]MSE[/latex] для различных размеров графов при изменении параметра [latex]\log(1/\pi)[/latex], при этом оценивались модели графовых нейронных сетей (GCN) с пропущенными соединениями и без них, а также базовая многослойная нейронная сеть (MLP), что позволило выявить влияние архитектурных решений на точность оценки в зависимости от размера графа и параметров входных данных.](https://arxiv.org/html/2602.17115v1/final_figure2.png)
Исследование предлагает теоретическую основу для понимания методов полу-обучения на графовых данных, раскрывая взаимосвязь между структурой графа и точностью предсказаний.
Исследователи предлагают быстрый и точный метод моделирования движения звезд в галактиках, основанный на машинном обучении.
Исследователи представили архитектуру EA-Swin и масштабный датасет EA-Video для повышения точности обнаружения видео, сгенерированных искусственным интеллектом, в условиях растущего реализма синтетического контента.