“kümeleme” için sonuçlar
31 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Beyin Dalgalarının Gizli Durumları Yapay Zeka ile Çözülüyor
Bilim insanları, beynin elektriksel aktivitesini anlamamızı sağlayacak yeni bir yapay zeka modeli geliştirdi. EEG mikro-durumu analizi, sürekli beyin aktivitesini kısa süreli kararlı yapılar halinde bölerek farklı beyin fonksiyonlarını ortaya çıkarır. Geleneksel yöntemler katı sınıflandırma kullanırken, yeni Conv-VaDE modeli hem görüntü yeniden oluşturma hem de olasılıksal kümeleme öğrenir. Bu yaklaşım, beyin durumlarının kafa derisi haritalarına dönüştürülmesine olanak tanıyarak şeffaflığı artırır. Model, 3-20 arası küme sayısı ve farklı parametrelerle test edilerek en optimal yapı aranıyor.
Düşük Eylemsizlikli Güç Şebekelerinde Yeni Kümeleme Yöntemi Geliştirildi
Araştırmacılar, yenilenebilir enerji kaynaklarının yaygınlaşmasıyla karmaşıklaşan elektrik şebekelerini daha verimli yönetmek için spektral kümeleme tabanlı yeni bir yöntem geliştirdi. Bu yaklaşım, güç şebekelerini dinamik olarak uyumlu alt sistemlere bölerek dağıtık kontrol stratejilerinin uygulanmasını kolaylaştırıyor. Geleneksel güç şebekelerinin yerini alan düşük eylemsizlikli sistemlerde, çok sayıda kontrol edilebilir cihazın varlığı sistem dinamiklerini önemli ölçüde değiştiriyor. Yeni yöntem, doğrusallaştırılmış senkronizasyon dinamiği matrisinin spektrumunu kullanarak şebekenin doğal ayrışımını gerçekleştiriyor. IEEE 30-bus test sistemi üzerinde yapılan denemeler, yöntemin etkinliğini kanıtlıyor.
Yapay Zeka İyonosferi Otomatik Olarak Analiz Etmeyi Öğrendi
Türk bilim insanları, iyonosfer tabakasının yapısını otomatik olarak analiz edebilen yeni bir yapay zeka algoritması geliştirdi. İyonosfer, Dünya'nın üst atmosferinde bulunan ve radyo dalgalarının yayılımını etkileyen elektriksel olarak yüklü parçacık tabakasıdır. Geleneksel yöntemlerle bu tabakanın analizi uzman bilgi gerektirirken, yeni sistem bulanık kümeleme ve makine öğrenmesi tekniklerini kullanarak süreci tamamen otomatikleştiriyor. Sistem özellikle uzay hava durumu tahminleri ve haberleşme sistemlerinin güvenilirliği açısından kritik önem taşıyor. Algorithm, iyonosfer verilerindeki karmaşık yapıları tanımlayabilmekte ve uzmanların manuel olarak saatlerce sürdürdüğü analizleri dakikalar içinde tamamlayabilmekte.
Yaşa Bağlı Makula Dejenerasyonunda Gen Kümeleme Analizi Geliştirildi
Araştırmacılar, yaşa bağlı makula dejenerasyonu (AMD) hastalığıyla ilişkili genleri daha etkili şekilde gruplandırmak için yeni bir analiz yöntemi geliştirdi. MEGENA çerçevesini genişleten bu yaklaşım, RNA dizileme verilerini kullanarak hastalık ile ilgili gen modüllerini belirlemeyi amaçlıyor. Çalışma, basit doğrusal korelasyon yerine istatistiksel uzaklık tabanlı ve bilgi teorik benzerlik ölçülerini kullanarak gen kümeleme analizinde daha güvenilir sonuçlar elde etmeyi hedefliyor. Bu gelişme, AMD gibi karmaşık hastalıkların moleküler mekanizmalarını anlamada ve tedavi geliştirmede önemli katkı sağlayabilir.
CLARA: Kimyasal Reaktörlerin Tasarımını Hızlandıran Yeni Yazılım
Araştırmacılar, çok fazlı kimyasal reaktörlerin tasarımını ve kontrolünü büyük ölçüde hızlandıran CLARA adlı yeni bir yazılım geliştirdi. Bu araç, karmaşık akışkan dinamiği simülasyonlarını basitleştirerek, saniyeler süren hesaplamalar yerine gerçek zamanlı kontrol imkanı sunuyor. Yapay zeka tabanlı kümeleme algoritmaları kullanarak, reaktör içindeki farklı bölgeleri otomatik olarak tanımlayan sistem, özellikle endüstriyel reaktör tasarımında devrim yaratabilir. Geleneksel yöntemlerle günlerce süren hesaplamalar artık çok daha kısa sürede tamamlanabilecek.
Robotlar İçin Yeni Nesil Nesne Tanıma Sistemi: SODA-CitrON
Araştırmacılar, otonom araçlar ve robotik sistemler için devrim niteliğinde bir nesne takip teknolojisi geliştirdi. SODA-CitrON adlı bu sistem, farklı sensörlerden gelen verileri birleştirerek sabit nesneleri gerçek zamanlı olarak tanımlayabiliyor. Geleneksel yöntemlerden farklı olarak, hareket halindeki hedeflere odaklanan klasik yaklaşımların aksine, durağan nesnelerin tespitinde daha etkili çalışıyor. Sistem, yapay zeka destekli kümeleme algoritmaları kullanarak çok sayıda sensörden gelen bilgileri işleyebiliyor ve bilinmeyen sayıda nesneyi aynı anda takip edebiliyor. Bu teknoloji, otonom sürüş, çevre haritalama ve robotik uygulamalarda önemli bir ilerleme sağlayacak.
ClusterChirp: Büyük Biyolojik Verileri Doğal Dille Sorgulayan Platform
Araştırmacılar, büyük ölçekli omik verileri görselleştirmek ve analiz etmek için ClusterChirp adlı yenilikçi bir web platformu geliştirdi. Modern biyoloji teknolojilerinin ürettiği devasa veri matrisleri, mevcut araçların kapasitesini aşıyor ve önemli biyolojik kalıpların kaybına neden oluyor. ClusterChirp, GPU hızlandırması ve çok çekirdekli işlemci desteğiyle bu sorunu çözüyor. Platform, deck.gl teknolojisi ve çok iş parçacıklı kümeleme algoritmalarını birleştirerek, gerçek zamanlı veri keşfi imkanı sunuyor. En dikkat çekici özelliği ise doğal dil arayüzü ile veri sorgulama kapasitesi. Bu, araştırmacıların karmaşık komut satırı bilgisi gerektirmeden, sıradan konuşma diliyle veri analizi yapabilmesine olanak tanıyor. Tek bir arayüzde anlık kümeleme, çoklu metrik sıralama, özellik arama ve etkileşimli görselleştirme kontrolleri bir araya geliyor.
Elektron mikroskoplarından gelen dev veriyi saniyede analiz eden yeni yöntem
Araştırmacılar, modern elektron mikroskoplarının ürettiği devasa veri yığınlarını hızla işleyebilen yeni bir analiz yöntemi geliştirdi. 4D ve 5D taramalı geçirimli elektron mikroskopi verileri, malzemelerin atom düzeyindeki yapılarını haritalayabiliyor ancak milyonlarca görüntü içeren bu veri setlerinin analizi aylar sürebiliyordu. Yeni kümeleme yaklaşımı, kristal yapıları benzer olan bölgeleri otomatik olarak gruplandırarak veri hacmini binlerce kat küçültüyor. Bu sayede malzeme bilimciler, nanometrik çözünürlükle yapı, yönelim ve gerilim haritalarını çok daha hızlı elde edebilecek.
Eksik Verilerde Sınıflandırma Sorunu için Yeni Kümeleme Algoritması
Araştırmacılar, makine öğrenmesinde karşılaşılan önemli bir soruna çözüm geliştirdi. PU sınıflandırma olarak bilinen bu problemde, sadece pozitif örnekler ve etiketlenmemiş veriler bulunuyor. Yeni algoritma, 2-ortalama kümeleme tekniğini kullanarak verileri temizliyor ve ardından lojistik regresyon uygulayarak sınıflandırma yapıyor. Geleneksel yöntemlerin aksine, bu yaklaşım SCAR koşulunun ihlal edildiği durumlarda bile etkili çalışabiliyor. 11 gerçek veri seti ve sentetik veriler üzerinde yapılan testler, algoritmanın başarılı olduğunu gösterdi.
Yapay Zeka ile Çok Portlu Sistemlerin Yük Tahmini %46 Daha Doğru Hale Geldi
Araştırmacılar, iletişim ve ölçüm sistemlerinde kritik öneme sahip çok portlu dağıtıcıların yük değerlerini tahmin etmek için yenilikçi bir yapay zeka yaklaşımı geliştirdi. 'Kümeleme-ardından-tahmin' adı verilen iki aşamalı yöntem, S-parametreleri ve yük empedansları arasındaki karmaşık ilişkileri daha iyi anlayarak tahmin hatalarını %46'ya kadar azaltmayı başardı. Çalışma aynı zamanda birbiriyle çelişen objektifleri olan metrikleri değerlendirmek için Gerçek Dünya Birleşik İndeksi (RUI) adlı yeni bir ölçüm yöntemi sunuyor.
Eksik Veri Setlerini Hiperbolik Geometriyle Daha İyi Analiz Eden Yöntem
Araştırmacılar, eksik verilere sahip çok bakış açılı kümeleme problemini çözmek için hiperbolik geometri tabanlı yeni bir yaklaşım geliştirdi. Geleneksel Öklid geometrisi tabanlı yöntemler, hiyerarşik yapılara sahip gerçek dünya verilerini modellerken geometrik uyumsuzluk yaşıyor ve semantik bulanıklığa neden oluyor. HERL adlı yeni çerçeve, Poincaré topu içinde çalışarak yapı-farkında bir gizli uzay oluşturuyor. Bu yöntem, açısal tabanlı kayıp fonksiyonu ile semantik kimliği korurken, mesafe tabanlı kayıp ile hiyerarşik sıkılığı sağlıyor. Özellikle eksik görünümlerle baş etmede daha robust temsiller öğrenebilen bu yaklaşım, veri analizi alanında önemli bir gelişme sunuyor.
TensorHub: Yapay Zeka Modellerinin Depolama Sorununa Çözüm
Yapay zeka modellerinin boyutları sürekli büyürken, model depolama platformları ciddi alan sıkıntısı yaşıyor. Araştırmacılar, TensorHub adlı yenilikçi bir sistem geliştirdi. Bu sistem, modeller arasındaki benzer tensör yapılarını tespit ederek gereksiz tekrarları ortadan kaldırıyor. Tensör düzeyinde parmak izi çıkarma ve kümeleme teknikleri kullanarak, modellerin performansını bozmadan önemli ölçüde depolama alanı tasarrufu sağlıyor. Gerçek dünya model depolarında yapılan testler, sistemin minimal ek yük ile büyük depolama kazanımları elde ettiğini gösteriyor. Bu gelişme, AI model dağıtımındaki en büyük engellerden birini aşmada kritik önem taşıyor.
Yapay zeka, veri kümelerindeki 'gürültülü' bilgileri önceden tespit edebilecek
Araştırmacılar, çok görünümlü veri kümelerinde kümeleme analizi yapmadan önce hangi veri parçalarının güvenilir olmadığını belirleyebilen yeni bir yöntem geliştirdi. Multi-View Clusterability Score (MVCS) adlı bu sistem, verinin kümeleme kalitesini üç farklı açıdan değerlendirerek problematik veri setlerini önceden tespit ediyor. Geleneksel yaklaşımlar bu sorunu genellikle kümeleme işlemi sırasında çözmeye çalışırken, yeni yöntem veri analizi başlamadan önce sorunlu alanları belirliyor. Bu gelişme, makine öğrenmesi ve veri analizi alanında daha güvenilir sonuçlar elde edilmesine katkı sağlayabilir.
Büyük Dil Modellerinde Bellek Sorununu Çözen Yeni Mimari: AQPIM
Araştırmacılar, büyük dil modellerinin karşılaştığı bellek darboğazı sorununa çözüm getiren AQPIM adlı yeni bir yaklaşım geliştirdi. Processing-in-Memory (PIM) mimarileri, makine öğrenmesinde veri-yoğun işlemlerde umut vaat etse de, özellikle Transformer tabanlı modellerde artan aktivasyon bellek ihtiyacı önemli bir engel oluşturuyor. Uzun bağlamlı senaryolarda üretilen devasa KV önbellek boyutları, PIM'in sınırlı bellek kapasitesini aşabiliyor. Geleneksel yaklaşımlar bu sorunu çözmekte yetersiz kalıyor. AQPIM, aktivasyon özelliklerine uygun kümeleme tabanlı vektör kuantizasyon yöntemleri kullanarak hem bant genişliği hem de hesaplama verimliliğini artırıyor. Bu gelişme, büyük dil modellerinin daha verimli çalışmasına olanak tanıyarak yapay zeka uygulamalarında önemli bir adım olarak değerlendiriliyor.
Yapay Zeka Neden Aynı Soruya Farklı Cevap Veriyor? Bilim İnsanları Açıkladı
Büyük dil modellerinin prompt hassasiyeti sorunu matematiksel olarak analiz edildi. Araştırmacılar, ChatGPT gibi yapay zekaların aynı anlama gelen farklı sorulara neden tutarsız cevaplar verdiğini Taylor açılımı ve gradyan analizi kullanarak açıkladı. Çalışma, küçük sinir ağlarının aksine büyük dil modellerinin benzer girdileri kümelemek yerine dağıttığını ortaya koyuyor. Bu dağılma davranışı, anlam olarak aynı olan farklı promptlar arasındaki olasılık farkının çok yüksek olmasına ve sıfıra düşürülmesinin zorlaşmasına neden oluyor. Bulgular, yapay zeka sistemlerinin güvenilirlik ve tutarlılık sorunlarını anlamamızda önemli bir adım.
Büyük Veri Kümeleme Probleminde Paralel Hesaplama Atılımı
Araştırmacılar, büyük veri kümelerini kümelere ayırma işleminde kullanılan k-merkez algoritmasını paralel hesaplama ortamında daha verimli hale getiren yeni bir yaklaşım geliştirdi. Massively Parallel Computation (MPC) modelinde çalışan bu algoritma, özellikle çok sayıda küme oluşturulması gereken durumlarda bellek kullanımını önemli ölçüde azaltıyor. Klasik k-merkez problemi, veri noktalarını k adet kümeye ayırarak her kümenin merkezinden en uzak noktaya olan mesafeyi minimize etmeyi hedefler. Mevcut paralel algoritmalar büyük k değerleri için fazla bellek gerektirirken, yeni yaklaşım sabit boyutlu Öklid uzayında daha az yerel bellek kullanarak scalable bir çözüm sunuyor. Bu gelişme, büyük veri analizi ve makine öğrenmesi uygulamalarında önemli pratik faydalar sağlayabilir.
Yapay Zeka Uzmanları Daha Akıllı Hale Geliyor: Yeni Kümeleme Tekniği
Stanford araştırmacıları, yapay zeka modellerinde kullanılan Uzman Karışımları (MoE) sistemlerini daha verimli hale getiren yeni bir yöntem geliştirdi. Bu teknik, AI modellerinin farklı görevlerdeki uzmanlaşmış bileşenlerini daha doğru şekilde kullanmasını sağlıyor. Araştırmada, yönlendirici sistemin veri kümelerini daha iyi tanıyabilmesi için optimal özellik ağırlıkları türetildi. Bu sayede her görev için en uygun uzmanın seçilmesi ve modelin genel performansının artırılması hedefleniyor. Yöntem özellikle yüksek boyutlu verilerde ortaya çıkan kümeleme sorunlarını çözerek, AI modellerinin daha hızlı öğrenmesini ve daha az hatayla çalışmasını mümkün kılıyor.
Yapay Zeka Görsel-Metin Anlama Modellerinde Yeni Eğitim Stratejisi
Araştırmacılar, çoklu modaliteli büyük dil modellerinin eğitiminde yenilikçi bir yaklaşım geliştirdi. CoMa adı verilen bu yöntem, modellerin görsel ve metinsel bilgileri daha etkili şekilde öğrenmesini sağlıyor. Geleneksel yaklaşımların aksine, bu teknik önce veriyi sıkıştırarak anlama odaklanıyor, ardından benzerlik eşleştirmesi yaparak performansı artırıyor. Yöntem, görsel-dil görevlerinde kullanılan modellerin eğitim sürecini iki aşamaya bölerek optimize ediyor. Bu yaklaşım, çapraz modal arama, kümeleme ve sınıflandırma gibi uygulamalarda daha başarılı sonuçlar vaat ediyor. Çalışma, yapay zeka modellerinin karmaşık çoklu ortam verilerini işleme kapasitesini geliştirme konusunda önemli bir adım teşkil ediyor.
Eksik Verilerle Çok Bakış Açılı Kümeleme: Yeni Ağaç Modeli Çözümü
Gerçek dünya verilerinde eksik bilgiler büyük bir sorun oluşturuyor. Araştırmacılar, farklı kaynaklardan gelen eksik verileri daha iyi analiz edebilmek için yenilikçi bir yöntem geliştirdi. Eksik örüntü ağacı tabanlı bu yeni yaklaşım, mevcut veri çiftlerini daha verimli kullanarak kümeleme performansını artırıyor. Geleneksel yöntemlerin aksine, bu sistem verileri eksik örüntülerine göre gruplandırıyor ve her grup için ayrı analiz yapıyor. Daha sonra tüm sonuçları birleştirerek daha güvenilir sonuçlar elde ediyor. Bu gelişme, eksik verilerin yaygın olduğu makine öğrenmesi uygulamaları için önemli bir adım.
Küçük yapay zeka modelleri için hafıza sorunu çözüldü: CLAG sistemi
Yapay zeka ajanları karmaşık görevleri yerine getirmek için dış hafızaya ihtiyaç duyar, ancak mevcut sistemler tüm deneyimleri tek bir havuzda toplar. Bu durum özellikle küçük dil modellerinde hafızanın kirlenmesine ve performans düşüşüne neden olur. Araştırmacılar, bu soruna çözüm olarak CLAG adlı yeni bir hafıza organizasyon sistemi geliştirdi. Sistem, yapay zeka ajanının kendi hafızasını aktif olarak kümelere ayırarak düzenlemesini sağlıyor. Her küme kendi konusu etrafında şekilleniyor ve bağımsız bir birim olarak çalışıyor. Bu yaklaşım, farklı konular arasındaki karışıklığı önleyerek küçük dil modellerinin daha etkili çalışmasına olanak tanıyor.
Yapay Zeka Büyük Dil Modelleriyle Metin Kümeleme Devrimleşiyor
Araştırmacılar, büyük metin koleksiyonlarını analiz etmek için kullanılan denetimsiz kümeleme yöntemlerinin zayıflıklarını gidermede çığır açan bir yaklaşım geliştirdi. Geleneksel yöntemler çoğunlukla tutarsız, tekrarlayan veya anlamsız kümeler üretiyor. Yeni çerçeve, büyük dil modellerini gömme üreticisi olarak değil, semantik hakim olarak kullanarak kümeleme sonuçlarını doğruluyor ve yeniden yapılandırıyor. Sistem üç aşamalı akıl yürütme süreci içeriyor: tutarlılık doğrulama, gereksizlik değerlendirmesi ve etiket temellendirme. Bu yaklaşım, etiketli veri gerektirmeden metin analizi sonuçlarının kalitesini önemli ölçüde artırıyor.
Parçacık Detektörleri İçin Yeni FPGA Tabanlı Kümeleme Sistemi Geliştirildi
Araştırmacılar, zaman projeksiyon odalarında (TPC) kullanılan parçacık detektörleri için devrim niteliğinde bir kümeleme sistemi geliştirdi. FPGA teknolojisi kullanan bu sistem, olayın karmaşıklığından bağımsız olarak sabit sürede çalışabiliyor. Geleneksel sistemlerde veri karmaşıklığı arttıkça işlem süresi üssel olarak artarken, yeni sistem her zaman aynı sürede sonuç üretiyor. 200 MHz frekansla çalışan sistem, parçacık fizik deneylerinde büyük veri akışlarının gerçek zamanlı işlenmesini mümkün kılıyor. Bu gelişme, CERN'deki büyük hadron çarpıştırıcısı gibi büyük ölçekli fizik deneylerinde kullanılan detektör sistemlerinin verimliliğini önemli ölçüde artırabilir.
Renklerin Veri Kümelemesini Zorlaştırma Sırrı Çözüldü
MIT ve Stanford'dan araştırmacılar, renkli veri kümeleme algoritmalarının neden standart yöntemlerden daha az verimli olduğunu matematiksel olarak açıkladı. Kromatik Korelasyon Kümeleme (CCC) yönteminde, her veri kümesine tek bir renk etiketi atanması gerekiyor. Bu süreçte 'renk uyumsuzluğu' sorunu ortaya çıkıyor: farklı renkli bağlantılar ek bir maliyet yaratarak algoritmanın performansını düşürüyor. Araştırma, bu soruna yönelik yeni matematiksel teoremler geliştirdi ve renk-bağımlı algoritmaların standart yöntemlerden %5-15 daha az verimli olduğunu kanıtladı.
Görünür ve Kızılötesi Kameralar İçin Yeni Kimlik Tanıma Sistemi Geliştirildi
Araştırmacılar, 24 saat güvenlik gözetimi için kritik öneme sahip görünür ve kızılötesi kamera sistemlerinde kişi tanıma teknolojisini geliştiren yeni bir yapay zeka algoritması tasarladı. Mevcut sistemler pahalı etiketlenmiş veriler gerektirirken, yeni yaklaşım etiketlenmemiş video kayıtlarından doğrudan öğrenebiliyor. Geleneksel yöntemler farklı kamera türleri arasında kimlik karışıklığı ve dengesiz kümeleme sorunları yaşıyor. Bu sorunları çözmek için geliştirilen 'Nedensel Önyükleme Hizalama' yöntemi, görünür ve kızılötesi görüntüler arasında daha güvenilir eşleştirmeler yapabiliyor. Teknoloji, havaalanları, alışveriş merkezleri ve şehir güvenlik sistemleri gibi alanlarda gündüz-gece kesintisiz izleme kapasitesini artırabilir.