“olasılık” için sonuçlar
69 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Algoritmalarını Birleştiren Yeni Çerçeve: Yerel Tutarsızlık Çözümü
Kanadalı araştırmacılar, makine öğrenmesindeki farklı algoritmaları tek bir çatı altında birleştiren yenilikçi bir yaklaşım geliştirdi. Yerel Tutarsızlık Çözümü (LIR) adı verilen bu yöntem, yapay zekanın öğrenme sürecini insan benzeri bir yaklaşımla modelliyor: sorunlara odaklanma ve adım adım tutarsızlıkları giderme. Sistem, EM algoritması, inanç yayılımı, düşman ağlar ve GAN'lar gibi önemli yapay zeka tekniklerini aynı matematiksel çerçevede açıklayabiliyor. Bu birleştirici yaklaşım, yapay zeka araştırmalarında yeni bir perspektif sunuyor ve algoritmalar arası bağlantıları daha iyi anlamamızı sağlıyor. Özellikle GFlowNet algoritmalarında performans artışı sağladığı gösterilen yöntem, makine öğrenmesi alanında önemli bir adım olarak değerlendiriliyor.
Yapay Zeka Modellerinde Hesaplama Süresini 100 Kat Azaltan Yeni Yöntem
Araştırmacılar, yapay zeka modellerinin en büyük sorunlarından birini çözecek yenilikçi bir yöntem geliştirdi. Flow tabanlı üretici modeller, görüntü ve metin üretiminde başarılı sonuçlar verse de, tek bir olasılık hesabı için yüzlerce hatta binlerce hesaplama adımı gerektiriyordu. Bu durum, modellerin karşılaştırılması ve geliştirilmesi süreçlerini oldukça yavaşlatıyordu. Yeni F2D2 (Fast Flow Joint Distillation) çerçevesi, hem örnekleme hem de olasılık hesaplama süreçlerini aynı anda iki büyüklük mertebesinde hızlandırıyor. Sürekli normalleştirici akışlardaki örnekleme ve olasılık hesaplama işlemlerinin birbirine bağlı doğasından yararlanan bu yaklaşım, mevcut yöntemlerin aksine olasılık hesaplama kabiliyetini kaybetmeden hızlanma sağlıyor.
Yapay zeka için yeni simülasyon algoritması geliştiren bilim insanları
Bilgisayar bilimcileri, koşullu örnekleme kullanarak olasılık dağılımlarını simüle etmenin daha verimli bir yolunu keşfetti. Yeni algoritma, önceki yöntemlere göre önemli ölçüde daha az örnek kullanarak aynı doğruluğa ulaşabiliyor. Bu gelişme, yapay zeka sistemlerinin daha hızlı ve etkili çalışmasına olanak tanıyabilir. Araştırmacılar, algoritmanın sadece daha verimli olmakla kalmayıp, aynı zamanda daha sıkı matematiksel garantiler sunduğunu da gösterdi. Çalışma, makine öğrenmesi ve istatistiksel modelleme alanlarında önemli pratik uygulamalara sahip olabilir.
Çok Robotlu Sistemler İçin Yeni Nesil Yol Planlama Algoritması Geliştirildi
Araştırmacılar, birden fazla robotun aynı ortamda çalışarak farklı hedeflere ulaşması gereken durumlar için yenilikçi bir yol planlama sistemi geliştirdi. Mevcut yaklaşımların aksine, bu yeni sistem robotları öncelik sırasına koymak yerine merkezi bir planlama yaklaşımı benimsiyor. Örnekleme tabanlı algoritmalar kullanan sistem, olasılıksal olarak tam ve asimptotik olarak optimal sonuçlar üretiyor. Geleneksel yöntemler genellikle robotlara öncelik vererek ya da senkron görev tamamlamayı varsayarak çalışır, bu da ne optimal ne de tam çözümler sağlar. Yeni yaklaşım ise tüm robotların birleşik uzayında planlama yaparak bu sınırlamaları aşıyor. Sistem, el değiştirme gibi işbirlikçi görevler dahil olmak üzere çeşitli robot türleri ve planlama senaryolarında test edildi ve başarılı sonuçlar verdi.
Zamana Bağlı Verileri Öğrenen Yeni Makine Öğrenmesi Algoritması
Araştırmacılar, dinamik ve zamana bağlı verileri analiz etmek için 'rastgele SINDy' adlı yeni bir makine öğrenmesi algoritması geliştirdi. Bu algoritma, değişen veri yapılarına uyum sağlayabilen olasılıksal bir yaklaşım benimsiyor. Özellikle regresyon ve sınıflandırma problemlerinde etkili olan sistem, öğrendiği olasılık dağılımlarını kullanarak dinamik tahminler yapıyor. Algoritmanın matematiksel temelleri fonksiyonel analiz teorisi ile güçlendirilmiş ve PAC öğrenme özelliği kanıtlanmış durumda. Gerçek dünya verilerinde test edilen sistem, hem regresyon hem de ikili sınıflandırma görevlerinde başarılı sonuçlar verdi. Bu gelişme, finansal piyasalar, hava durumu tahmini ve biyomedikal veriler gibi zamana bağlı değişkenlik gösteren alanlarda önemli uygulamalar sunabilir.
Yapay Zeka Uzman Sistemlerinde Yeni Yaklaşım: Ayrıştırılmış Öğrenme Modeli
Araştırmacılar, birden fazla uzmanın bir arada çalıştığı yapay zeka sistemlerinde ortaya çıkan önemli sorunlara çözüm getiren yeni bir matematiksel model geliştirdi. Mevcut sistemlerde uzman sayısı arttıkça performansın düşmesi, bazı uzmanların baskılanması ve yetersiz öğrenme gibi problemler yaşanıyor. Yeni geliştirilen 'ayrıştırılmış vekil' model, sınıf tahmini ve uzman değerlendirmesini birbirinden ayırarak bu sorunları çözmeyi hedefliyor. Model, softmax fonksiyonu ile sınıf olasılıklarını, sigmoid fonksiyonları ile her uzmanın faydasını bağımsız olarak hesaplıyor. Bu yaklaşım, mevcut sistemlerin gradient dağılımındaki sorunlarını ortadan kaldırırken, uzman sayısından bağımsız tutarlılık garantisi sunuyor.
Yapay Zeka ile Sistem Arızalarını Tespit Eden Yeni Matematiksel Yöntem
Araştırmacılar, karmaşık kontrol sistemlerindeki arızaları tespit etmek ve düzeltmek için olasılık yoğunlukları üzerinde çalışan yeni bir yapay zeka yöntemi geliştirdi. Perron-Frobenius operatörleri adı verilen matematiksel araçları kullanan bu yaklaşım, sistem davranışlarını bireysel yörüngeler yerine olasılık dağılımları üzerinden analiz ediyor. Yöntem, farklı arıza profillerinin sistem durumunu nasıl etkileyeceğini önceden tahmin edebiliyor ve hangi arızaların tespit edilebilir olduğuna dair kesin matematiksel sınırlar belirleyebiliyor. Bu gelişme, otonom araçlardan endüstriyel robotlara kadar birçok alanda sistem güvenilirliğini artırabilir.
Yapay Zeka ile Veri Sıkıştırmada Çığır Açan Yeni Yöntem Geliştirildi
Araştırmacılar, veri sıkıştırma teknolojisinde devrim yaratabilecek yeni bir yapay zeka yaklaşımı geliştirdi. Zincirleme çalışan hafif sinir ağları kullanarak, kayıpsız veri sıkıştırma işleminde olasılık tahminini büyük ölçüde iyileştiren bu sistem, geleneksel yöntemlerden farklı olarak minimum ağırlık kullanarak maksimum verimlilik sağlıyor. Yöntem, her bir zincir biriminin önceki birimden aldığı bilgiyi devralması prensibiyle çalışıyor ve böylece veri özelliklerine göre kendini adapte edebiliyor. Bu yaklaşım özellikle büyük veri depolama ve aktarım maliyetlerinin kritik olduğu alanlarda büyük tasarruf potansiyeli sunuyor.
Yapay Zeka Metinlerini Karşılaştıran Yeni Araç: LLMbench
Araştırmacılar, büyük dil modellerinin ürettiği metinleri derinlemesine analiz etmek için LLMbench adlı yenilikçi bir araç geliştirdi. Mevcut yapay zeka karşılaştırma araçları sayısal değerlendirmelere odaklanırken, LLMbench dijital beşeri bilimlerin yorumlama yöntemlerini benimsiyor. Tarayıcı tabanlı bu platform, aynı komuta verilen farklı model yanıtlarını yan yana göstererek, token seviyesinde olasılık analizi, kelime düzeyinde fark tespiti, söylem analizi ve cümle yapısı incelemesi gibi dört farklı analitik katman sunuyor. Araç ayrıca rastgele değişkenlik, sıcaklık gradyanı ve modeller arası farklılık gibi beş analitik mod içeriyor. Bu özellikler, yapay zeka tarafından üretilen metinlerin olasılıksal yapısını token düzeyinde anlaşılır kılıyor ve araştırmacılara dil modellerinin çalışma mantığını daha iyi kavrama imkanı veriyor.
Dağıtık Optimizasyon Algoritmalarında Gerçek Dünya Gürültüsü Sorunu Çözüldü
Araştırmacılar, dağıtık makine öğrenmesi sistemlerinde karşılaşılan önemli bir sorunu çözdü. Geleneksel algoritmaların çoğu, idealize edilmiş 'hafif kuyruklu' gürültü modellerine dayalı olarak tasarlanıyor. Ancak gerçek hayatta veri bilimi ve istatistiksel öğrenme uygulamalarında, aykırı değerler ve ekstrem durumlar nedeniyle bu modeller yetersiz kalıyor. Yeni çalışma, sub-Weibull rastgelelik adı verilen daha gerçekçi bir gürültü modelini dağıtık optimizasyon çerçevesine entegre etti. DCSMD-SW algoritması ile dağıtık kompozit stokastik optimizasyon problemleri için yeni bir yaklaşım geliştiren araştırmacılar, yüksek olasılıklı yakınsama teorisi de ortaya koydu. Bu çalışma, büyük veri sistemlerinde ve yapay zeka uygulamalarında daha güvenilir sonuçlar elde edilmesini sağlayabilir.
Trafik tahminlerini olasılıklı hale getiren yeni yaklaşım geliştirildi
Araştırmacılar, mevcut trafik tahmin modellerini olasılıklı tahmin yapabilen sistemlere dönüştüren yenilikçi bir yöntem geliştirdi. Bu yaklaşım, modellerin yalnızca son katmanını değiştirerek belirsizlik ve rastlantısallık faktörlerini hesaba katmalarını sağlıyor. Gaussian Karışım Modeli kullanan sistem, mevcut eğitim süreçlerini değiştirmeden uygulanabiliyor ve sadece Negatif Log-Olabilirlik kaybı ile çalışıyor. Çoklu trafik veri setlerinde yapılan deneyler, yöntemin klasik ve modern model mimarilerine uyum sağladığını ve deterministik performansı koruduğunu gösteriyor. Kentsel ulaşım yönetiminde kritik öneme sahip trafik tahmini, bu sayede daha güvenilir ve belirsizlikleri içeren sonuçlar üretebilecek.
Federe Öğrenmede Cihaz Arızalarına Karşı Yeni Senkronizasyon Yöntemi
Araştırmacılar, federe öğrenme sistemlerinde cihaz arızalarının yarattığı adaletsizlik sorununu çözmek için yeni bir yaklaşım geliştirdi. Mevcut Olasılıksal Senkron Paralel (PSP) yönteminin, sürekli erişilebilir cihazları kayırdığını ve mobil cihazlar gibi sık arıza yapan cihazların verilerini ihmal ettiğini ortaya koyan çalışma, bu durumun öğrenme performansını ciddi şekilde etkilediğini gösteriyor. Özellikle veri dağılımı ile cihaz erişilebilirliğinin aynı anda ilişkili olduğu durumlarda, belirli veri sınıflarının sistematik olarak eksik temsil edilmesi sorunu yaşanıyor. Bu durum, yapay zeka modellerinin bazı özellikleri öğrenmekte zorlanmasına ve genel performansın düşmesine neden oluyor. Yeni araştırma, bu adaletsizlik problemine çözüm getirmeyi hedefliyor.
Foxtrot: Eş Zamanlı Olasılıklı Programları Doğrulayan Yeni Mantık Sistemi
Araştırmacılar, karmaşık bilgisayar programlarının doğruluğunu kanıtlamak için Foxtrot adında yenilikçi bir mantık sistemi geliştirdi. Bu sistem, hem eş zamanlı çalışan programları hem de olasılıklı hesaplamaları bir arada analiz edebilen ilk üst düzey ayrım mantığı. Foxtrot, standart eş zamanlılık mantığından değişmezlik ve hayalet kaynak gibi ilkeleri miras alırken, karmaşık olasılık dağılımlarını analiz etmek için gelişmiş probabilistik akıl yürütme teknikleri sunuyor. Sistemin en büyük yeniliği, olasılık ve eş zamanlılığı birleştiren programların bağlamsal iyileştirmesini kanıtlayabilmesi. Bu gelişme, özellikle güvenlik açısından kritik uygulamalarda ve yapay zeka sistemlerinde kullanılan karmaşık algoritmların doğruluğunu garanti etmek açısından büyük önem taşıyor.
Yapay Zeka Müzakerelerde Karşı Tarafın Tercihlerini Anlama Konusunda Ustalaştı
Araştırmacılar, çok taraflı müzakerelerde büyük dil modellerini kullanarak karşı tarafın tercihlerini tahmin eden yeni bir sistem geliştirdi. Geleneksel sayısal yaklaşımların aksine, bu yöntem doğal dil etkileşimlerindeki niteliksel bilgileri Bayesian modelleme çerçevesine entegre ediyor. Sistem, konuşmalardan çıkarılan ipuçlarını olasılık formatına dönüştürerek dinamik inanç takibi yapabiliyor. Çok taraflı müzakere testlerinde tam anlaşma oranlarını artıran bu yaklaşım, yapay zeka destekli müzakere sistemlerinin geliştirilmesinde önemli bir adım teşkil ediyor.
Yapay Zeka ile Hava Tahminlerinde Büyük Atılım: Yanlılık Düzeltme Sistemi
Araştırmacılar, 2-6 hafta sonrasını öngören uzun vadeli hava tahminlerinin doğruluğunu artıran yeni bir yapay zeka sistemi geliştirdi. Olasılıksal yanlılık düzeltme (PBC) adlı bu yöntem, geçmiş tahminlerdeki sistematik hataları öğrenerek gelecekteki öngörüleri iyileştiriyor. Avrupa Orta Vadeli Hava Tahminleri Merkezi'nin (ECMWF) önde gelen modellerine uygulandığında, yapay zeka tahmin sisteminin başarısını iki katına çıkarırken, operasyonel dinamik modelin basınç tahminlerinin %91'ini, sıcaklık tahminlerinin %92'sini geliştirdi. Bu gelişme, tarım planlaması, orman yangını yönetimi, su ve enerji dağıtımı gibi kritik alanlarda karar vericiler için önemli bir araç sunuyor.
Yeni Optimizasyon Algoritması Gürültülü Verilerde Hızlı Sonuç Veriyor
Araştırmacılar, belirsizlik ve gürültü içeren verilerde bile hızlı ve güvenilir sonuçlar üretebilen yeni bir optimizasyon algoritması geliştirdi. RAAS adı verilen bu yöntem, makine öğrenmesi ve yapay zeka uygulamalarında karşılaşılan en büyük zorluklardan birini çözüyor: gürültülü ve önyargılı verilerle çalışırken hem hızlı hem de kararlı sonuçlar elde etmek. Geleneksel momentum tabanlı yöntemler bu durumda hataları büyüterek sistem kararlılığını bozarken, yeni algoritma ayarlanabilir momentum müdahalesi ile bu sorunu aşıyor. Araştırmacılar, algoritmanın matematiksel olarak güçlü teorik garantiler sunduğunu ve yüksek olasılıkla hedeflenen doğruluk seviyesine ulaştığını kanıtladı.
Yapay Zeka Öğrenmesinde Devrim: Beyin Benzeri Hafıza Modeli Geliştirildi
Araştırmacılar, yapay zekanın öğrenme süreçlerini modellemek için insan beynindeki Hebbian plastisiteden ilham alan yeni bir matematiksel framework geliştirdi. Tan-HWG adı verilen bu model, hafıza durumlarını olasılık dağılımları olarak ele alarak, yapay sinir ağlarının nasıl öğrendiğini geometrik bir perspektifle açıklıyor. Sistem, dahili hafıza durumları ile gözlemlenebilir çıktılar arasında temel bir ayrım yaparak, sinaptik bağlantıların güçlenmesi ve budanmasını geometrik sonuçlar olarak açıklıyor. Bu yaklaşım, yapay zeka sistemlerinin öğrenme mekanizmalarını daha iyi anlamamıza ve optimize etmemize yardımcı olabilir.
Ağ Arızalarına Karşı Dayanıklı Çoklu-Ajan Sistemleri İçin Yeni Algoritma
Araştırmacılar, birbirini etkileyebilen sistemlerde iletişim hatalarına rağmen ne kadar sürede uzlaşmaya varılacağını hesaplayan LiFE-CD algoritmasını geliştirdi. Bu yenilik, drone sürüleri, otonom araçlar ve sensör ağları gibi çoklu-ajan sistemlerinin güvenilirliğini artırmaya yönelik önemli bir adım. Algoritma, mevcut yaklaşımların aksine simülasyon gerektirmeden, ağ yapısı ve bağlantı hata olasılıklarından yola çıkarak kesin sonuçlar üretebiliyor. Bu sayede sistemlerin belirli zaman dilimlerinde çalışma garantileri verilebilecek.
Yapay zeka ile hücre kaderini tahmin etmek: MIOFlow 2.0 geliştirildi
Bilim insanları, tek hücre verilerinden hücrelerin zaman içindeki değişimlerini modelleyen yeni bir yapay zeka sistemi geliştirdi. MIOFlow 2.0 adlı bu framework, hücrelerin gelişim süreçlerini, hastalık ilerleyişini ve rejenerasyon mekanizmalarını anlamak için kritik olan hücresel trajektorileri tahmin ediyor. Sistem, deterministik yaklaşımların aksine, hücrelerin stokastik (olasılıksal) davranışlarını, populasyon değişimlerini ve çevresel faktörlerin etkilerini modelleyebiliyor. Özellikle tek hücre sekanslama verilerinden sürekli hücresel yolakları çıkarabilme yetisi, gelişim biyolojisi ve hastalık araştırmalarında önemli ilerlemeler sağlayabilir.
Yapay Zeka Modellerinin Akıl Yürütme Yetenekleri İçin Yeni Çözüm: HCoT
Araştırmacılar, büyük dil modellerinin karmaşık problemleri çözerken yaşadığı iki temel sorunu ele alan yeni bir yöntem geliştirdi. HCoT (Heuristik Düşünce Sınıflandırma Teşviki) adlı bu yaklaşım, modellerin rastgele karar alma süreçlerini daha yapılandırılmış hale getiriyor ve alan bilgisini akıl yürütme stratejilerine dinamik olarak entegre ediyor. Mevcut yapay zeka sistemleri, her kelimeyi olasılık dağılımlarından rastgele seçtikleri için tutarlı planlama yapamıyor ve aldıkları kararlar stratejik temelden yoksun kalıyor. Yeni yöntem, uzman sistemlerden alınan sezgisel kuralları kullanarak bu sorunları çözmeyi hedefliyor. Geliştirilen yaklaşım, yapay zekanın daha güvenilir ve mantıklı sonuçlar üretmesini sağlayarak, özellikle karmaşık problem çözme gerektiren alanlarda önemli ilerlemeler vaat ediyor.
SafeMind: Dört Bacaklı Robotlar İçin Risk Bilincli Güvenli Hareket Kontrol Sistemi
Araştırmacılar, dört bacaklı robotların belirsiz ortamlarda güvenli hareket etmesini sağlayan SafeMind adlı yeni bir kontrol sistemi geliştirdi. Sistem, olasılıksal güvenlik fonksiyonları ile bağlamsal anlayışı birleştirerek robotların çevresel riskleri değerlendirmesini sağlıyor.