“tahminleme” için sonuçlar
9 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka İçin Yeni Matematiksel Çerçeve: Belirsizlikle Başa Çıkmanın Anahtarı
Araştırmacılar, veri odaklı yapay zeka algoritmalarının belirsizlik içeren gerçek dünya verilerinde daha etkili çalışması için yenilikçi bir Bayesçi matematiksel çerçeve geliştirdi. Bu yaklaşım, düzgünleştirme, tahmin ve kontrol gibi farklı görevleri tek bir sistem altında birleştirerek, belirsiz verilerle çalışan AI sistemlerinin performansını artırıyor. Geleneksel yöntemlerin aksine, bu çerçeve stokastik (rastgele) verileri sistematik bir şekilde işleyebiliyor ve mevcut algoritmaları genelleştirerek daha güvenilir sonuçlar üretebiliyor. Çalışma, özellikle gürültülü sensör verilerinden tahminleme yapması gereken otonom sistemler ve robotik uygulamaları için önemli iyileştirmeler vaat ediyor.
Yapay Zeka ile Sürekli Zamanda Nedensel Tahminleme: ObsNODE Modeli
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.
Yapay Zeka ile Grip Salgını Tahmini: Görsel Öğrenme Yöntemi
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.
Zaman Serilerinde Yeni Yaklaşım: SPaRSe-TIME ile Verimli Tahminleme
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.
Yapay Zeka Sıralama Sistemleri Stratejik Manipülasyona Ne Kadar Savunmasız?
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.
NaviFormer: Navigasyon Problemini Bütünsel Çözen Yeni Yapay Zeka Modeli
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.
Yapay Zeka ile Görüntü İletişiminde Yeni Dönem: Çift Alanlı Örnekleme Tekniği
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.
Yapay Zeka ile Daha Doğru Tahminler: Yeni Çok Amaçlı Optimizasyon Yöntemi
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.
Görüntü İyileştirme Algoritmasında Büyük Atılım: EMML Yöntemi Yeniden Yorumlandı
Araştırmacılar, tıbbi görüntüleme ve hiperspektral analiz gibi alanlarda yaygın kullanılan EMML algoritmasını mirror descent yaklaşımıyla yeniden ele aldı. Bu yeni bakış açısı, algoritmaya çeşitli kısıtlamaların eklenmesine olanak tanırken hesaplama verimliliğini koruyor. Özellikle Poisson gürültüsü altında çalışan görüntü yeniden yapılandırma problemlerinde kullanılan bu yöntem, maksimum olabilirlik tahminlemesi için geliştirildi. Hiperspektral karışım ayrıştırma deneylerinde, yeni kısıtlamalı EMML algoritmasının klasik versiyondan daha az iterasyonda yakınsadığı görüldü. Bu gelişme, medikal görüntüleme, uydu görüntü analizi ve spektroskopi gibi birçok alanda daha hızlı ve doğru sonuçlar elde edilmesinin önünü açıyor.