Günümüzde deepfake görüntüleri tespit etmek, üretken yapay zeka modellerinin hızla gelişmesi nedeniyle zorlaşıyor. Araştırmacılar, bu soruna karşı Vision Transformer teknolojisini kullanarak yenilikçi bir çözüm geliştirdi. DINOv2, AIMv2 ve OpenCLIP gibi gelişmiş görü transformatörlerini bir araya getiren bu sistem, sahte görüntüleri tespit etmede %96,77 doğruluk oranına ulaştı. Geleneksel CNN tabanlı yöntemlere kıyasla üstün performans gösteren sistem, IEEE SP Cup 2025'te birinci oldu. Bu başarı, dijital medya güvenliği açısından önemli bir adım teşkil ediyor.

Astronomlar, Gaia uydu teleskobu verilerini kullanarak kızıl dev yıldızların iç yapılarını analiz eden yeni bir yapay zeka sistemi geliştirdiler. Hibrit CNN-LSTM modelleri kullanan bu yaklaşım, daha önce sadece yüksek kaliteli ışık eğrileriyle mümkün olan asterosismoloji çalışmalarını milyarlarca yıldıza genişletme potansiyeli taşıyor. Kızıl dev yıldızlar, hem yıldız evrimi hem de Galaksi yapısının anlaşılmasında kritik rol oynuyor. Bu yıldızların iç titreşimleri, kütleleri ve evrimsel durumları hakkında doğrudan bilgi veriyor. Araştırma, düşük çözünürlüklü spektral verilerin bile yıldız sismolojisi için yeterli bilgi içerebileceğini gösteriyor. Bu gelişme, astronomların evrendeki yıldızların iç dinamiklerini daha geniş bir örneklem üzerinde incelemelerine olanak sağlayabilir.

Atrial fibrilasyon (kalp ritim bozukluğu) tespitinde kullanılan yapay zeka modellerinin performansı, EKG verilerinin örnekleme frekansına büyük ölçüde bağlı olduğu ortaya çıktı. Araştırmacılar, farklı frekanslarla kaydedilmiş EKG verilerinin derin öğrenme modellerinin başarısını nasıl etkilediğini sistematik olarak inceledi. Sonuçlar, hibrit CNN-LSTM modelinin 100-250 Hz arası orta frekanslarda en iyi performansı gösterdiğini, klasik CNN modelinin ise farklı davrandığını ortaya koydu. Bu bulgular, tıbbi yapay zeka sistemlerinin geliştirilmesinde veri kalitesinin kritik önemini vurguluyor.

Çinli araştırmacılar, Shanghai Borsası endeks tahminlerinde devrim yaratabilecek yeni bir yapay zeka modeli geliştirdi. CTLNet adı verilen bu hibrit sistem, üç farklı derin öğrenme teknolojisini birleştireyor: konvolüsyonel sinir ağları (CNN), transformer mimarisi ve LSTM ağları. Model, geleneksel tek-teknoloji yaklaşımlarının aksine, her bir yöntemin güçlü yanlarını harmanlayarak finansal verilerdeki karmaşık kalıpları daha başarılı şekilde yakalıyor. Transformer'ın dikkat mekanizması uzun vadeli bağımlılıkları analiz ederken, CNN yerel kalıpları, LSTM ise zamansal dizilerdeki değişimleri işliyor. Yapılan karşılaştırmalı testlerde, CTLNet'in mevcut en gelişmiş modelleri geride bıraktığı görüldü. Bu gelişme, sadece Çin borsası için değil, global finansal piyasaların yapay zeka destekli analizi için önemli bir adım sayılıyor.

Araştırmacılar, iki boyutlu derin evrişimsel sinir ağlarının (CNN) karmaşık matematiksel fonksiyonları nasıl yaklaştırdığını inceledi. Korobov fonksiyonları üzerinde yapılan çalışmada, CNN'lerin çok katmanlı yapısının ve ReLU aktivasyon fonksiyonlarının, boyut lanetini önemli ölçüde azalttığı ortaya çıktı. Boyut laneti, matematiksel problemlerde boyut sayısı arttıkça hesaplama karmaşıklığının katlanarak artması sorunudur. Araştırma, CNN'lerin sürekli ağırlık seçimi modelinde neredeyse optimal yaklaşım oranları elde edebildiğini gösterdi. Bu bulgular, yapay zeka ağlarının fonksiyon yaklaşımı alanındaki potansiyelini ortaya koyarken, CNN'lerin teorik temellerini güçlendiriyor.

Araştırmacılar, akıllı saatler ve IoT sensörleri gibi küçük cihazlarda çalışan yapay zeka uygulamaları için yeni bir optimizasyon yöntemi geliştirdi. TinyML olarak bilinen bu alanda, sınırlı kaynaklara sahip cihazlarda yapay zeka modellerinin çalıştırılması büyük zorluk teşkil ediyor. Yeni yaklaşım, hesaplama maliyeti yüksek olan çarpma işlemlerini daha verimli kaydırma ve toplama işlemleriyle değiştirerek performansı artırıyor. Özellikle hassas verilerle çalışan uygulamalarda, eğitim veri setine ihtiyaç duymadan önceden eğitilmiş modelleri optimize edebilmesi önemli bir avantaj sağlıyor. Bu gelişme, sağlık monitörleri, akıllı ev cihazları ve giyilebilir teknolojiler gibi alanlarda yapay zekanın daha yaygın kullanımına kapı açabilir.

Araştırmacılar, Tor gibi anonim ağlarda kullanıcıların hangi siteleri ziyaret ettiğini tespit eden saldırılara karşı yeni bir savunma geliştirdi. DEMUX adlı sistem, kullanıcılar aynı anda birden fazla sekme açtığında oluşan karışık trafik yapısını analiz ederek güvenlik açıklarını kapatıyor. Mevcut derin öğrenme yöntemleri tek sekme kullanımında yüksek başarı gösterse de, çoklu sekme durumunda performansları ciddi şekilde düşüyor. Yeni sistem, sınır korumalı pencere bölümleme, çok ölçekli paralel CNN ve zamansal ilişkilendirme modüllerini bir araya getirerek bu sorunu çözüyor. Geliştirilen yöntem, internet trafiğinin daha güvenli hale gelmesi ve kullanıcı mahremiyetinin korunması açısından önemli bir adım sayılıyor.

Araştırmacılar, su altında çekilen bulanık ve bozuk görüntüleri yapay zeka ile iyileştiren yeni bir sistem geliştirdi. Hero-Mamba adlı bu teknoloji, hem görüntünün renk bilgilerini hem de frekans verilerini aynı anda işleyerek, su altının sebep olduğu renk bozulması, düşük kontrast ve bulanıklık sorunlarını gideriyor. Sistem, geleneksel CNN'lerin uzun menzilli bağımlılıkları modellemedeki yetersizliği ve Transformer'ların yüksek çözünürlüklü görüntülerde yaşadığı hesaplama karmaşıklığı problemlerini çözerek daha verimli çalışıyor. Bu gelişme özellikle deniz bilimleri, su altı arkeolojisi ve denizcilik sektöründe önemli uygulamalara sahip olabilir.

Uzay tabanlı LISA dedektörü, yeryüzündeki LIGO'dan çok farklı bir challenge ile karşı karşıya. LIGO nadir sinyalleri gürültüden ayırırken, LISA milyonlarca galaktik çift yıldız sisteminin karışık verilerini analiz etmek zorunda. Araştırmacılar bu karmaşık durumda öne çıkan kaynaklarını tespit etmek için manifold öğrenme ve yapay zeka tekniklerini test etti. CNN tabanlı autoencoder modeli, confusion background üzerinde eğitilerek yeniden yapılandırma hatalarını kullanıyor ve manifold tabanlı normalizasyon ile anomali skorlarını geliştiriyor. Bu yaklaşım, uzayda yerçekimi dalgası astronomisinin karşılaştığı benzersiz veri işleme zorluklarına yenilikçi bir çözüm sunuyor.

Araştırmacılar, görüntü sınıflandırma yapay zeka modellerinin eğitim sırasında hangi bilgileri unuttuğunu inceledi. ResNet-18 ve DeiT-Small mimarilerini göz hastalıkları ve kuş türleri veri setleri üzerinde test eden çalışma, farklı yapay zeka mimarilerinin tamamen farklı örnekleri unuttuğunu keşfetti. Vision Transformer (ViT) modellerinin unutma süreçlerinin CNN'lere göre daha düzenli olduğu, ancak her iki mimaride de unutmanın rastgele faktörlerden etkilendiği belirlendi. Bu bulgular, yapay zeka eğitim programlarının tasarımı, veri temizleme süreçleri ve farklı modellerin birlikte kullanılması konularında önemli ipuçları sunuyor.

Araştırmacılar, derin öğrenme modellerinin belirli bilgileri seçici ve güvenli şekilde unutmasını sağlayan yeni bir algoritma geliştirdi. Graph-Propagated Projection Unlearning (GPPU) adlı bu yöntem, görüntü ve ses işleme modellerinde istenmeyen sınıf bilgilerini kalıcı olarak silmeyi mümkün kılıyor. Sistem, graf tabanlı yayılım kullanarak özellik uzayında sınıfa özgü yönleri tespit ediyor ve bu bilgileri dik alt uzaya yansıtarak etkisiz hale getiriyor. Altı görüntü veri seti ve iki büyük ses veri seti üzerinde yapılan testlerde, GPPU'nun mevcut yöntemlere göre 10-20 kat daha hızlı çalıştığı ve hem CNN hem de Transformer mimarilerinde başarılı sonuçlar verdiği görüldü. Bu gelişme, veri mahremiyeti düzenlemeleri ve uyarlanabilir sistem tasarımı açısından büyük önem taşıyor.