Araştırmacılar, sürekli zamanda nedensel ilişkileri analiz edebilen yeni bir yapay zeka modeli geliştirdi. Observable Neural ODEs (ObsNODEs) adı verilen bu sistem, gizli karıştırıcı faktörlerin varlığında bile farklı tedavi yollarının sonuçlarını tahmin edebiliyor. Model, kontrol teorisindeki gözlemlenebilirlik kavramını nedensel tanımlanabilirlikle birleştirerek, tıptan ekonomiye kadar birçok alanda karar verme süreçlerini iyileştirebilecek potansiyele sahip. Özellikle dinamik tedavi etkilerinin belirlenmesinde önemli bir adım olan bu çalışma, yapay zekanın nedensel çıkarım yeteneklerini güçlendiriyor.

Araştırmacılar, grip salgınlarının seyrini tahmin etmek için yenilikçi bir yapay zeka yaklaşımı geliştirdiler. Influpaint adlı sistem, salgın verilerini görsel imgeler haline dönüştürerek öğrenen difüzyon modellerini kullanıyor. Bu yöntem, geleneksel istatistiksel modellerin aksine çok boyutlu belirsizlikleri yakalayabiliyor ve yeni eğilimleri öngörebiliyor. Sistem, grip sezonlarını uzamsal-zamansal görüntüler olarak kodlayarak, piksel yoğunluğunun vaka sayısını temsil ettiği bir yapı oluşturuyor. Hem gerçek sürveyans verilerinden hem de simülasyon verilerinden öğrenen hibrit yaklaşım, hastalık dinamiklerinin zengin bir dağılımını öğreniyor. Tahminleme süreci, kısmi gözlemlerden koşullu üretim görevi olarak tasarlanmış. Retrospektif değerlendirmelerde mevcut topluluk yöntemleriyle rekabet edebilir doğruluk seviyesine ulaşan sistem, 2023-2025 ABD CDC FluSight yarışmalarında gerçek zamanlı testlerden geçiyor.

Bilim insanları, insan beyninin kelime tahminleme sürecinin yapay zeka modellerinden çok daha sofistike olduğunu keşfetti. Araştırmacılar, beynimizin sadece bir sonraki kelimeyi tahmin etmekle kalmadığını, aynı zamanda daha karmaşık bilişsel süreçler geçirdiğini ortaya çıkardı. Bu bulgular, büyük dil modellerinin çalışma prensibiyle insan beyninin dil işleme mekanizmaları arasındaki temel farkları gözler önüne seriyor. Çalışma, yapay zeka teknolojilerinin insan zekasını taklit etme konusunda hala önemli sınırları olduğunu gösteriyor.

Araştırmacılar, geleneksel sinyal işlemede çoklu gözlem gerektiren analiz yöntemlerini tek bir gözlemle yapabilecek devrimsel bir yaklaşım geliştirdiler. Grup teorisi temelli bu yöntem, bir anlık görüntüden elde edilen grup-ortalamalı tahmincinin, çoklu anlık görüntülerden elde edilen kovaryans tahminlemesiyle eş değer alt uzay ayrışımı sağladığını matematiksel olarak kanıtlıyor. Yeni yaklaşım, işlem kazancının sensör sayısına değil grup mertebesine bağlı olduğunu gösteriyor ve DFT, DCT, KLT gibi dönüşümleri tek çatı altında birleştiriyor. Bu buluş, radar, sonar ve iletişim sistemlerinde veri toplama süreçlerini hızlandırabilir.

Araştırmacılar, bahis oranlarını gerçek olasılıklara çeviren yeni bir matematiksel yöntem geliştirdi. 90 bin futbol maçının analizine dayanan bu çalışma, mevcut yöntemlerin sınırlarını aşmayı hedefliyor. Geliştirilen OO-EPC yöntemi, bahis şirketlerinin fiyatlandırma stratejilerini daha iyi anlayarak, her sonuç için eşit kârlılık güvenine sahip olma hedeflerini matematiksel modele entegre ediyor. Bu yaklaşım, spor tahminlemesi ve piyasa etkinliği analizlerinde kullanılmak üzere bahis oranlarının daha doğru bir referans noktası haline getirilmesini sağlıyor.

Araştırmacılar, geleneksel zaman serisi tahminleme yöntemlerinin hesaplama maliyetini önemli ölçüde azaltan yeni bir framework geliştirdi. SPaRSe-TIME adlı bu sistem, tüm zaman adımlarını eşit olarak işleyen klasik yaklaşımların aksine, gerçek dünya verilerindeki bilgilendirici kalıpların seyrek dağıldığı gerçeğinden yola çıkıyor. Yeni yöntem, zaman serilerini üç temel bileşene ayırarak modelleme yapıyor: önem derecesi (saliency), hafıza ve trend. Bu yaklaşım, veriye bağlı seyreltme operatörü olarak çalışan önem derecesi, baskın düşük-ranklı zamansal kalıpları yakalayan hafıza ve düşük-frekanslı dinamikleri kodlayan trend bileşenlerini hafif ve uyarlanabilir bir haritalama ile birleştiriyor. Özellikle büyük veri setlerinde hesaplama verimliliği sağlarken yorumlanabilirliği de artırıyor.

Araştırmacılar, Bradley-Terry modeli gibi yaygın kullanılan sıralama algoritmalarının stratejik veri manipülasyonuna karşı savunmasızlığını inceledi. Çalışma, az sayıda stratejik kullanıcının bile sistemin genel sıralamasını önemli ölçüde değiştirebileceğini ortaya koyuyor. Maksimum Olabilirlik Tahminlemesi tabanlı bu sistemlerin belirli bir manipülasyon eşiğini aştıktan sonra ani bir kırılma davranışı sergilediği gözlemlendi. Araştırma, özellikle seçim sistemleri ve online platformlardaki sıralama algoritmalarının güvenilirliği açısından önemli sonuçlar taşıyor. Bulgular, mevcut AI sistemlerinin dış müdahalelere karşı daha dayanıklı hale getirilmesi gerektiğini işaret ediyor.

Araştırmacılar, karmaşık navigasyon problemlerini tek seferde çözebilen NaviFormer adlı yeni bir yapay zeka modeli geliştirdi. Transformer mimarisine dayanan ve derin pekiştirmeli öğrenme kullanan bu model, hem yüksek seviye rota planlaması hem de düşük seviye yol planlaması problemlerini aynı anda çözebiliyor. Geleneksel yaklaşımlar bu iki alt problemi ayrı ayrı ele alırken, NaviFormer bütünsel bir çözüm sunuyor. Model, waypoint sıralamasından trajektori tahminlemesine kadar tüm navigasyon sürecini optimize ediyor. Yapılan deneyler, NaviFormer'ın diğer algoritmalarla karşılaştırıldığında rekabetçi doğruluk oranları sergilediğini ve her alt problemin kısıtlarını anlayarak performansını artırdığını gösteriyor. Özellikle hesaplama hızındaki üstünlüğü, gerçek zamanlı uygulamalar için büyük avantaj sağlıyor. Bu gelişme, otonom araçlardan robotik sistemlere kadar birçok alanda navigasyon teknolojisinin ilerlemesi için önemli bir adım teşkil ediyor.

Araştırmacılar, kablosuz görüntü iletiminin kalitesini artırmak için yenilikçi bir yaklaşım geliştirdi. Geleneksel yöntemler maksimum olasılık tahminlemesi kullanırken, yeni teknik semantik kod çözmeyi bir Bayesian ters problem olarak ele alıyor. Çalışma, veri dağılımını koruyarak optimal algısal kaliteye ulaşmanın posterior örnekleme ile mümkün olduğunu matematiksel olarak kanıtlıyor. Geliştirilen alternatif çift alanlı posterior örnekleme (ADDPS) yöntemi, difüzyon tabanlı semantik iletişim alıcıları için önemli bir ilerleme sunuyor. Bu yaklaşım, hem kanal gürültüsüne hassasiyeti hem de kod çözücü önyargısı gibi mevcut teknikların sınırlarını aşmayı hedefliyor.

Araştırmacılar, tek bir sinir ağı modeli kullanarak hem nokta hem de aralık tahminlerini aynı anda üretebilen yeni bir olasılıksal tahmin çerçevesi geliştirdi. Bu yöntem, geleneksel yaklaşımların aksine manuel ağırlık ayarlama gerektirmeden çok amaçlı optimizasyon problemi olarak yaklaşıyor. Sistemin en önemli özelliği, tahmin aralıklarının birbirini kesmemesini garanti ederken maksimum keskinlik sağlaması. Yeni PI kayıp fonksiyonu ve hibrit mimari sayesinde model, ölçekten bağımsız ve evrensel olarak uygulanabilir özellikler taşıyor. Bu gelişme, finans, hava durumu ve enerji gibi sektörlerde yapılan tahminlerin güvenilirliğini artırabilir.

Araştırmacılar, salgın hastalıkların seyrini önceden tahmin edebilmek için IDOBE adlı kapsamlı bir veri sistemi geliştirdi. Bu sistem, son yüzyılda ABD ve dünya genelinde görülen 13 farklı hastalığa ait 10.000'den fazla salgın vakasını içeriyor. COVID-19 pandemisi sırasında da görüldüğü gibi, salgınların seyrini doğru tahmin etmek halk sağlığı önlemlerinin zamanında alınması için kritik önem taşıyor. Ancak şimdiye kadar bu tür tahmin modellerini test edecek standart veri setleri eksikti. IDOBE, makine öğrenmesi ve istatistiksel modellerin performansını değerlendirmek için gerekli altyapıyı sunuyor.