“embedding” için sonuçlar
20 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Güvenlik Sertifikasyonu Artık Sınıflandırma Problemi Olarak Çözülüyor
Araştırmacılar, dinamik sistemlerin güvenliğini doğrulamak için yenilikçi bir yaklaşım geliştirdi. Geleneksel yöntemler, zaman adımlarında biriken hatalar nedeniyle uzun vadeli güvenlik tahminlerinde başarısız oluyordu. Yeni kernel embedding çerçevesi, güvenlik sertifikasyonunu bir sınıflandırma problemi olarak ele alarak bu sorunu çözüyor. Özellikle otonom sistemler ve robotik uygulamalarda kritik olan bu yöntem, Markov olmayan dinamiklere sahip sistemler için de güvenlik garantisi verebiliyor. Araştırma, mevcut barrier sertifikaları ve robust Markov modelleri gibi yaklaşımları özel durumlar olarak içeriyor ve onların sınırlarını aşmayı başarıyor.
Yapay Zeka Sistemlerinin Gerçek Anlayışı Nasıl Ölçülür?
Yapay zeka sistemlerinin gerçekten anlayıp anlamadığını nasıl ölçebiliriz? Mevcut AI sistemleri bu konuda büyük bir ölçüm sorunu yaşıyor. Araştırmacılar, anlayışın ölçülebilir hale gelmesi için yeni bir yaklaşım geliştirdi: hiyerarşik otomatlar. Bu sistem, bilgiyi ayrık ve incelenebilir yapısal imzalar halinde organize ediyor. Klasik olasılıksal sistemler güveni kademeli olarak artırırken, neural ağlar anlayışı opak embedding uzaylarına dağıtırken, bu yeni yaklaşım anlayış oluşumunu gözlemlenebilir hale getiriyor. Sonlu durum makineleri kullanarak desenleri temsil eden ve üst düzey otomatlarla kompozisyonları ifade eden bu sistem, tek gözlemden otomata yapıları inşa edebiliyor. Benzerlik tespiti ile ilgili otomatları kümeleyerek kavram sağlamlığını ölçülebilir kılıyor ve kompozisyonel bilgiyi doğrudan incelemeye açıyor.
Yapay Zeka Modellerinin 'Bilinmeyen' Verilerle Başa Çıkma Sırrı Çözüldü
Araştırmacılar, büyük dil modellerinin alışık olmadığı verilerle karşılaştığında nasıl davrandığını anlamak için yeni bir çerçeve geliştirdi. Mevcut tespit yöntemlerinin aslında metin uzunluğundan etkilendiğini ve bu nedenle yanıltıcı sonuçlar verdiğini keşfettiler. Çalışma, modellerin iki farklı yoldan bilgiyi işlediğini ortaya koyuyor: embedding'ler metnin konusunu yakalarken, işleme yörüngesi modelin veriyi nasıl işlediğini gösteriyor. Bu bulgular, yapay zeka güvenliği ve modellerin güvenilirlik tespiti için önemli sonuçlar taşıyor.
MemRouter: Sohbet Robotları için Akıllı Hafıza Yönetim Sistemi
Araştırmacılar, uzun süreli konuşma yapabilen yapay zeka sistemleri için yeni bir hafıza yönetim teknolojisi geliştirdi. MemRouter adlı bu sistem, hangi konuşma bölümlerinin hafızada saklanacağına karar verirken mevcut yöntemlerden çok daha verimli çalışıyor. Geleneksel sistemler her konuşma adımında büyük dil modellerini kullanarak karar verirken, MemRouter embedding tabanlı bir yönlendirme politikası kullanıyor. Bu sayede sadece 12 milyon parametre eğiterek hafıza yönetimini gerçekleştiriyor. LoCoMo test setinde yapılan karşılaştırmalarda, MemRouter geleneksel LLM tabanlı hafıza yöneticilerinden her soru kategorisinde daha başarılı sonuçlar verdi. Sistem, F1 skorunda %52,0'a karşılık %45,6 başarı elde ederken, hafıza yönetimi gecikme sürelerini de önemli ölçüde azalttı. Bu gelişme, chatbot'ların uzun konuşmalarda daha tutarlı ve verimli performans sergilemesi için önemli bir adım.
Tek Metin CLIP'i Nasıl Yanıltıyor? Yapay Zeka Modellerinde Hub Açığı Keşfedildi
Araştırmacılar, görsel ve metin verilerini birlikte işleyen CLIP gibi yapay zeka modellerinde kritik bir güvenlik açığı keşfetti. 'Hub metinler' olarak adlandırılan bu sorun, yüksek boyutlu embedding uzaylarında ortaya çıkıyor ve tek bir metin parçasının alakasız binlerce görsel ile yanlış şekilde eşleştirilmesine neden oluyor. Bu durum, görsel arama sistemlerinden otomatik değerlendirme metriklerine kadar pek çok uygulamada ciddi sorunlar yaratabilir. MSCOCO ve Flickr30k gibi veri setlerinde yapılan deneyler, bu hub metinlerin görsel-metin benzerlik skorlarını mantıksız şekilde yükselttiğini gösterdi.
Yapay Zeka Belirsizliği Nasıl Algılıyor? Yeni Topolojik Yöntem Çıkmazları Ortaya Çıkarıyor
Stanford araştırmacıları, dil modellerinin belirsiz durumları nasıl işlediğini anlamak için topolojik veri analizi kullandı. Geleneksel doğruluk ölçütlerinin yakalayamadığı gizli yapıları ortaya çıkaran bu çalışma, özellikle insan değerlendiricilerin farklı görüşlere sahip olduğu durumlarda modellerin iç temsil sistemlerini inceliyor. RoBERTa-Large modelinde yapılan testler, fine-tuning sürecinin embedding uzayını modüler bölgelere ayırdığını ve belirsiz veriler karşısında modelin aşırı güvenli davrandığını gösteriyor. Bu bulgular, yapay zeka sistemlerinin karar verme mekanizmalarını daha iyi anlamamızı sağlıyor.
Yapay Zeka Artık Daha Akıllıca Unutuyor: Çok Boyutlu Bilgi Ağları Geliştirendi
Araştırmacılar, yapay zekanın sürekli öğrenme sürecindeki temel sorunu çözecek yeni bir yaklaşım geliştirdi. Bilgi grafikleri olarak adlandırılan yapılarda, AI sistemleri yeni bilgileri öğrenirken eskilerini unutma eğiliminde. Yeni MF-CKGE framework'ü, varlıkların zaman içinde değişen anlamlarını ayrı embedding uzaylarında saklayarak bu sorunu çözüyor. Geleneksel yöntemler eski ve yeni bilgiyi aynı alanda harmanlayarak karışıklığa sebep oluyordu. Bu yenilik, AI'ın bağlantı tahmini yeteneklerini önemli ölçüde artırıyor.
REZE: Metin Analiz Yapay Zekalarının Öğrenme Kalitesini Artıran Yeni Yöntem
Yapay zeka sistemlerinin metinleri anlama yetisi, farklı alanlara uyarlanırken ciddi sorunlarla karşılaşıyor. Araştırmacılar, mevcut eğitim yöntemlerinin istenmeyen yan etkiler yaratarak sistemlerin performansını düşürdüğünü keşfetti. Bu sorunu çözmek için geliştirilen REZE adlı yeni framework, yapay zeka sistemlerinin öğrenme sürecinde metin temsillerinin nasıl değiştiğini kontrol altına alıyor. Yöntem, farklı görevlerin yarattığı gürültüyü bastırırken önemli anlamsal yapıyı koruyarak, sistemlerin daha tutarlı ve güvenilir performans sergilemesini sağlıyor. Bu gelişme, doğal dil işleme alanında önemli bir adım olarak değerlendiriliyor.
FLARE: Etiket olmadan yapay zeka modellerini değerlendiren yeni yöntem
Araştırmacılar, görev-spesifik etiketler olmadan embedding modellerini değerlendiren FLARE adlı yeni bir yöntem geliştirdi. Mevcut yöntemler yüksek boyutlu uzaylarda başarısız olurken, FLARE akış tabanlı normalleştirilmiş veri akışları kullanarak bilgi yeterliliğini doğrudan tahmin ediyor. 11 veri seti ve 8 embedding modeli üzerinde yapılan testlerde, FLARE %90 korelasyon oranına ulaşarak mevcut yöntemlerden üstün performans gösterdi. Özellikle 3.584 ve üzeri boyutlarda diğer yöntemler çökerken FLARE kararlı kaldı. Bu gelişme, özellikle etiketli verinin bulunmadığı durumlarda en uygun yapay zeka modelini seçme konusunda önemli bir ilerleme sağlıyor.
YZ Destekli İşe Alım: Adayları Daha Etkili Sıralayan Yeni Sistem
Araştırmacılar, işe alım süreçlerini devrimsel olarak değiştiren yeni bir yapay zeka sistemi geliştirdi. Mira-embeddings-v1 adlı bu sistem, büyük dil modellerinin ürettiği sentetik verilerle eğitilerek, iş ilanlarına en uygun adayları daha başarılı şekilde tespit edebiliyor. Geleneksel işe alım süreçlerinde HR uzmanları binlerce özgeçmiş arasından uygun adayları bulma zorluğu yaşıyordu. Yeni sistem, önce geniş bir aday havuzundan ön eleme yapıyor, ardından bu listeyi yeniden sıralayarak kalifiye adayları en üste çıkarıyor. Beş aşamalı bir veri üretim süreci kullanarak çeşitli pozitif ve negatif örnekler oluşturuyor, böylece semantik anlam uzayını çok boyutlu şekilde şekillendiriyor. Manuel veri etiketleme gerektirmeyen bu yöntem, işe alım sektöründe zaman ve maliyet tasarrufu sağlayabilir.
Yapay Zeka Görsel Üreticilerindeki Önyargılar Artık Çözümü Var
Metin-görsel AI modellerinin toplumsal önyargıları güçlendirmesi, etik kullanımlarında ciddi sorunlar yaratıyor. Araştırmacılar, bu soruna yenilikçi bir çözüm getirdi: Embedding Arithmetic yöntemi. Bu teknik, modelin ağırlıklarını değiştirmeden, sadece çıkarım aşamasında önyargıları azaltıyor. FLUX 1.0-Dev ve Stable Diffusion 3.5-Large modellerinde test edilen yöntem, görsel bağlamı korurken sosyal önyargıları başarıyla elimine ediyor. Sistem, uygulayıcılara adalet-tutarlılık dengesini ayarlama olanağı sunuyor. Araştırmacılar ayrıca geleneksel CLIP skorlarının sınırlarını aşmak için yeni bir değerlendirme metriği olan Kavram Tutarlılık Skoru'nu (CCS) geliştirdi.
Öneri Sistemleri için Yeni Sıkıştırma Tekniği: BACO Framework
Araştırmacılar, büyük ölçekli öneri sistemlerinin karşılaştığı bellek ve hesaplama sorunlarına çözüm getirecek yeni bir framework geliştirdi. BACO adlı bu sistem, kullanıcı ve ürün verilerini daha verimli şekilde gruplandırarak, öneri kalitesinden ödün vermeden sistem performansını artırıyor. Geleneksel yöntemlerin aksine, kullanıcı-ürün etkileşimlerindeki benzerlik sinyallerini kullanarak akıllı gruplamalar yapıyor. Bu yaklaşım, Netflix, Amazon gibi platformların milyonlarca kullanıcıya hizmet verirken karşılaştığı teknik zorlukları hafifletmeyi hedefliyor. Çalışma, endüstriyel ölçekteki öneri sistemlerinin kaynak kısıtları altında daha verimli çalışabilmesi için önemli bir adım niteliği taşıyor.
Yapay Zeka Modelleri Zararsız Talepleri Neden Reddediyor? Yeni Çözüm Geldi
Büyük dil modelleri (LLM'ler) güvenlik mekanizmaları nedeniyle zararsız talepleri bile reddeden 'aşırı ret' davranışı sergiliyor. Bu durum, duygu analizi veya çeviri gibi rutin görevlerde bile modellerin işe yaramaz hale gelmesine neden oluyor. Araştırmacılar, modellerin embedding uzayında 'takımyıldızı' benzeri örüntüler oluşturduğunu keşfetti. Her doğal dil işleme görevi, katmanlar arasında tutarlı yörüngeler takip ediyor ve ret ile ret-olmayan durumlar arasında öngörülebilir değişiklikler gösteriyor. SafeConstellations adlı yeni yaklaşım, bu yörünge örüntülerini izleyerek modelleri doğru yöne yönlendiriyor.
AI Modellerde Adalet Sorunu: Uzun Belgelerde Önyargılı Temsil
Yapay zeka araştırmacıları, uzun belgeleri analiz eden embedding modellerinde ciddi bir adalet sorunu keşfetti. Bu modeller, belgelerin başındaki bölümleri ve İngilizce gibi yaygın dillerdeki içerikleri kayırırken, belgenin sonundaki kısımları ve az konuşulan dillerdeki bölümleri göz ardı ediyor. Araştırmacılar, bu önyargının dikkat mekanizmalarının erken pozisyonlara odaklanmasından kaynaklandığını buldu. Sorunun çözümü için geliştirilen yeni kalibrasyon yöntemi, dikkati belge boyunca daha adil dağıtarak tüm bölümlerin eşit temsil edilmesini sağlıyor. Bu çalışma, AI sistemlerinde adalet ve kapsayıcılık açısından önemli bir adım.
Ses-dil modellerinde genelleme sorunu çözüldü: SEPT yöntemi geliştirildi
Araştırmacılar, ses-dil modellerinde prompt tuning yönteminin genelleme kabiliyetini artıran yeni bir framework geliştirdi. Semantically Expanded Prompt Tuning (SEPT) adlı bu yöntem, modellerin yeni ses kategorilerini tanımadaki Base-New Tradeoff sorununu çözüyor. SEPT, büyük dil modellerinin ürettiği semantik komşuları kullanarak prompt embedding uzayını düzenler ve sınıf içi sıkılık ile sınıflar arası ayrılabilirliği artırır. Bu breakthrough, ses tanıma sistemlerinin daha esnek ve genel amaçlı hale gelmesini sağlayarak, müzik analizi, konuşma tanıma ve çevresel ses sınıflandırma gibi alanlarda önemli ilerlemeler vaat ediyor.
Yapay Zeka Verilog Kodlarındaki Güvenlik Açıklarını Tespit Ediyor
Büyük dil modellerinin donanım tasarımında kullanılan RTL kodları üretmede başarılı olmasına rağmen, ürettikleri kodlar ciddi güvenlik açıkları içerebiliyor. Araştırmacılar, bu soruna çözüm olarak VeriCWEty adında yeni bir sistem geliştirdi. Embedding tabanlı bu framework, Verilog kodlarındaki yaygın güvenlik zafiyetlerini hem modül hem de satır seviyesinde tespit edebiliyor. Sistem, CWE-1244 ve CWE-1245 gibi kritik güvenlik açıklarını %89 hassasiyetle, satır düzeyindeki hataları ise %96 doğrulukla belirlemeyi başarıyor. Geleneksel kural tabanlı kontrol yöntemlerinin aksine, bu yeni yaklaşım semantik güvenlik açıklarını yakalayabiliyor ve hataların tam konumunu belirleyebiliyor. Bu gelişme, yapay zeka destekli donanım tasarımının güvenliğini artırmada önemli bir adım sayılıyor.
Yapay zeka öneri sistemlerinde zamansal davranış analizi: TAI2Vec modeli
Stanford ve diğer üniversitelerden araştırmacılar, kullanıcı davranışlarındaki zaman boyutunu daha etkili analiz edebilen yeni bir yapay zeka modeli geliştirdi. TAI2Vec adlı bu sistem, öneri algoritmalarının temelini oluşturan item embedding teknolojisine zamansal farkındalık kazandırıyor. Geleneksel yöntemler kullanıcı etkileşimlerini zamansız bir şekilde değerlendirirken, yeni yaklaşım kısa ve uzun vadeli tercihleri birbirinden ayırt edebiliyor. Model, dakikalar arayla yapılan etkileşimlerle aylar arayla yapılanları aynı önemde görmek yerine, her kullanıcının bireysel davranış temposuna uyarlanabiliyor. Bu gelişme, e-ticaret platformlarından sosyal medya algoritmalarına kadar geniş bir yelpazede daha kişiselleştirilmiş ve doğru öneriler sunulmasını sağlayabilir.
Half-Moon Cookie: Gizlilik Koruyan Yeni Güvenlik Sistemi Geliştirildi
Araştırmacılar, siber güvenlik alanında önemli bir yenilik olan Half-Moon Cookie sistemini geliştirdi. Bu yeni framework, zararlı içeriklerin tespiti için kullanılan kara liste kontrollerini, kullanıcı gizliliğini koruyarak gerçekleştiriyor. Geleneksel sistemlerde ya kara liste herkese açık olmak zorunda ya da kullanıcılar sorgu bilgilerini sunucuyla paylaşmak durumundaydı. Yeni sistem ise her iki sorunu da çözüyor. Sistem, bir öğenin kara listede bulunan elementlere yakın olup olmadığını metrik uzayda kontrol edebiliyor. En önemli özelliği, embedding adımını kara liste kontrolünden ayırarak performansı önemli ölçüde artırması. Ayrıca daha önce kontrol edilmiş öğelerin tekrar doğrulanması için çok hızlı bir mekanizma sunuyor. Bu sayede kritik uygulamalarda gecikme olmadan güvenlik kontrolü yapılabiliyor.
SAGE: Büyük Dil Modellerinin Bellek Sorununu Çözen Yeni Optimizasyon Algoritması
Araştırmacılar, büyük dil modellerinin eğitiminde karşılaşılan kritik bellek sorununu çözen SAGE adlı yeni bir optimizasyon algoritması geliştirdi. Mevcut AdamW optimizatörü, modelin iki katı büyüklüğünde bellek tüketirken, önceki hafif alternatifler embedding katmanlarındaki yüksek varyanslı gradyanlarla başa çıkamıyordu. SAGE, Lion tarzı güncelleme yöntemini yeni bir bellek-verimli ölçeklendirme tekniğiyle birleştirerek bu sorunu çözüyor. Algoritmanın 'güvenli sönümleyici' özelliği, yüksek varyanslı boyutları mevcut yöntemlerden daha etkili şekilde kontrol altına alarak daha iyi yakınsama sağlıyor. 1.3 milyar parametreye kadar Llama modellerinde test edilen SAGE tabanlı hibrit sistem, önemli bellek tasarrufu sağlarken performansı koruyor.
Yapay Zeka Tüp Bebek Başarısını Artırabilir: Embriyo Kalitesi Otomatik Değerlendirmesi
Araştırmacılar, tüp bebek tedavilerinde embriyo kalitesini otomatik olarak değerlendiren yeni bir yapay zeka sistemi geliştirdi. Mevcut yöntemler embriyologların görsel değerlendirmelerine dayanıyor ve bu durum subjektiflik ile uzmanlar arası farklılıklara yol açıyor. Yeni sistem, 5. gün insan embriyolarının görüntülerini analiz ederek kritik embriyo bileşenlerini otomatik olarak tanımlıyor ve derecelendiriyor. Multitask embedding yaklaşımı kullanan bu teknoloji, sınırlı veri setinden bile etkili öğrenme gerçekleştirebiliyor. Sistem özellikle trofektoderm, iç hücre kütlesi ve blastosist genişlemesi gibi görsel olarak benzer ve ayırt edilmesi zor yapıları başarıyla tanımlayabiliyor. Bu gelişme, tüp bebek tedavilerinin başarı oranını artırabilir ve standardizasyon sorunlarını çözebilir.