“veri artırma” için sonuçlar
15 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Derin Öğrenme ile Dolu Tahmini: Doğru Veri Seçimi Her Şeyden Önemli
Dolu yağışı, milyarlarca dolarlık hasara yol açabilen ve insan güvenliğini tehdit eden atmosferik olayların başında geliyor. Kısa vadeli dolu tahminleri (nowcast) bu nedenle kritik önem taşıyor. Son yıllarda derin öğrenme yöntemleri, geleneksel tahmin modellerine güçlü bir alternatif olarak öne çıkıyor; ancak bu modellerin başarısını neyin belirlediği tam olarak anlaşılmış değildi. İsviçre'den araştırmacıların yürüttüğü yeni bir çalışma, derin öğrenme tabanlı bir dolu tahmin modelinin performansını artırmak için mimariyi değiştirmeye gerek olmadığını ortaya koyuyor. Asıl belirleyici faktörün model tasarımı değil, eğitim verisinin miktarı ve hazırlanış biçimi olduğu anlaşılıyor. Çalışmanın en çarpıcı bulgusu şu: Eğitim veri setindeki yıl sayısı artırıldığında, modelin ileri zaman dilimlerindeki tahmin becerisi 25 dakikaya kadar iyileşiyor. Bu, operasyonel uyarı sistemleri açısından son derece değerli bir kazanım. Öte yandan veri artırma teknikleri (yansıma ve döndürme gibi) beklenmedik bir sonuç verdi: Büyük veri setlerinde performansı artırırken, küçük veri setlerinde tam tersine olumsuz etki yarattı. Giriş zaman adımı sayısının ise eğitim yılı miktarına kıyasla çok daha sınırlı bir etkiye sahip olduğu gözlemlendi.
Hipokampus Nasıl Genelleştiriyor? Yapay Zeka Çerçevesi Yanıt Arıyor
Beynin hafıza merkezi olarak bilinen hipokampusun, yeni durumlara uyum sağlama ve öğrenilenleri genelleştirme yeteneği nörobilimin en merak uyandıran sorularından biri olmaya devam ediyor. Yeni bir teorik çalışma, makine öğrenmesinde yaygın kullanılan 'veri artırma' yöntemini bir çerçeve olarak benimseyerek hipokampusun bu işlevi nasıl yerine getirdiğini açıklamayı öneriyor. Veri artırma, yapay zeka modellerinin eğitim verilerini farklı biçimlerde yeniden düzenleyerek daha esnek ve genel temsiller öğrenmesini sağlayan bir tekniktir. Araştırmacılar, bu sürecin hem 'çevrimdışı' hem de 'çevrimiçi' olmak üzere iki farklı zaman ölçeğinde işlediğini öne sürüyor. Çevrimdışı süreç uyku sırasındaki bellek pekiştirilmesiyle, çevrimiçi süreç ise anlık görev çözümü sırasında anıların esnek biçimde yeniden kullanılmasıyla ilişkilendiriliyor. Çalışma, deneysel bulgular ile teorik iddialar arasında köprü kuracak resmi matematiksel bağlantılar geliştirmeyi de hedefliyor.
Moleküllerin Asitlik Verisi Artık Yapay Zeka ile Üretilebilir
Moleküllerin asitlik özelliklerini tanımlayan pKa değerleri, ilaç keşfinden malzeme bilimine kadar pek çok alanda kritik öneme sahip. Ancak bu verilerin deneysel olarak elde edilmesi hem yavaş hem de maliyetli. Bir grup araştırmacı, sınırlı gerçek veriden yola çıkarak büyük ölçekli sentetik pKa verisi üretmeye yarayan yeni bir çerçeve geliştirdi. Sistem, makine öğrenmesi modellerini kuantum kimyası hesaplamalarıyla birleştirerek etiketsiz moleküler veri kümelerini işliyor. Çalışma, mevcut veri artırma yöntemlerinin önemli bir açığını da gözler önüne seriyor: Tahminler genel dağılım için başarılı olsa da çok asidik ya da çok bazik uç değerlerdeki moleküller için veri hâlâ son derece yetersiz kalıyor. Bu uç bölgelerdeki nadir örnekler, modellerin gerçek dünya uygulamalarında sağlıklı çalışması için elzem. Araştırma, bu sorunu aşmak amacıyla mühendislik odaklı model tasarımı ile kuantum mekaniksel hesaplamaları sentezleyen hibrit bir yaklaşım sunuyor. Sonuçlar, veri kıtlığının yaşandığı bölgelerde dahi yüksek kaliteli tahminler üretilebildiğini gösteriyor.
Yapay Zeka Çocukların Konuşma Bozukluklarını Teşhis Etmede Yeni Umut
Çocukların yüzde beşini etkileyen konuşma ses bozuklukları için yeni bir yapay zeka yaklaşımı geliştirildi. Araştırmacılar, uzman eksikliğinin yaşandığı dil ve konuşma terapisi alanında önemli bir atılım gerçekleştirdi. Konuşma Temsil Modelleri kullanılarak geliştirilen sistem, mevcut dil modellerinden çok daha başarılı sonuçlar elde etti. Hiyerarşik sınıflandırma yaklaşımı benimseyen sistem, önce genel teşhis yapıyor, ardından bozukluğun tipini ve semptomlarını belirliyor. Özel veri artırma teknikleriyle önceki çalışmalardaki önyargılar da giderildi. Bu gelişme, personel sıkıntısı çeken klinikte önemli destek sağlayabilir.
Yapay zeka konuşmacının sesini koruyarak farklı dillerde konuşabiliyor
Araştırmacılar, bir kişinin ses özelliklerini koruyarak farklı dillerde konuşma üretebilen gelişmiş yapay zeka sistemleri geliştirdi. Bu teknoloji, özellikle bilimsel iletişimde büyük potansiyel taşıyor. Çalışmada, Arapça, Çince ve Fransızca dillerinde ses klonlama modelleri test edildi ve OmniVoice temel modelini kullanan sistemler oluşturuldu. Araştırma ekibi, çoklu model topluluk damıtma yöntemiyle veri artırma tekniklerini kullanarak sistemin performansını iyileştirdi. Sonuçlar, konuşmacının ses benzerliğini korurken tüm dillerde anlaşılabilirliğin önemli ölçüde arttığını gösteriyor. Bu gelişme, bilimsel sunumların farklı dillere çevrilmesi, eğitim içeriklerinin yerelleştirilmesi ve çok dilli iletişim alanlarında devrim yaratabilir.
Yapay Zeka Tıbbi Görüntülerde Segmentasyonu Eğitim Gerektirmeden Geliştirebiliyor
Araştırmacılar, tıbbi görüntü segmentasyonunu eğitim gerektirmeden iyileştiren SegTTA adlı yeni bir framework geliştirdi. Bu sistem, farklı hastanelerdeki ekipman ve operatör farklılıklarından kaynaklanan görüntü kalitesi sorunlarını çözmek için tasarlandı. Framework, gamma düzeltme, kontrast artırma, Gaussian bulanıklaştırma ve gürültü ekleme gibi dört farklı veri artırma tekniğini birleştiriyor. Sistemi test etmek için sağlıklı rahim segmentasyonu, rahim miyomu tespiti ve karaciğer yapıları segmentasyonu gibi üç farklı dataset kullanıldı. Sonuçlar, büyük organların yoğunluk artırımından, küçük lezyonların ise gürültü artırımından faydalandığını gösterdi. Bu yaklaşım, mevcut modelleri yeniden eğitmeye gerek kalmadan tıbbi görüntü analizi performansını artırabiliyor.
Yapay Zeka Kablosuz Haberleşmede Veri Eksikliği Sorununu Çözüyor
Araştırmacılar, kablosuz haberleşme sistemlerinde karşılaşılan veri yetersizliği problemine yenilikçi bir çözüm geliştirdi. LLM-AUG adlı yeni framework, büyük dil modellerinin öğrenme yeteneklerini kullanarak sentetik radyo frekansı verisi üretiyor. Geleneksel yöntemlerin aksine, bu sistem özel model eğitimi gerektirmeden yapılandırılmış komutlarla çalışıyor. RadioML veri seti üzerinde yapılan testlerde, sistem modülasyon sınıflandırma ve girişim tespiti gibi kritik görevlerde mevcut yöntemlerden daha başarılı sonuçlar elde etti. Bu gelişme, pahalı ve zaman alıcı RF veri toplama sürecine alternatif sunarak kablosuz teknolojilerin gelişimini hızlandırabilir.
Küçük yapay zeka modelleri büyük rakiplerini yakaladı
Araştırmacılar, küçük dil modellerinin eğitimi için yenilikçi bir veri artırma stratejisi geliştirdi. Bu yöntem, farklı belgelerden alınan bağlamları eşleştirerek konuya odaklı özetleme performansını artırıyor. SciTLDR veri seti üzerinde yapılan testlerde, T5-base gibi küçük modeller, çok daha az parametre kullanmasına rağmen büyük modellerle rekabet edebilir performans gösterdi. Yöntem, Wikipedia'dan türetilen konularla zenginleştirilmiş veriler kullanarak modellerin konu-özet ilişkilerini daha etkili öğrenmesini sağlıyor. Veri artırma ölçeği arttıkça modellerin başarı oranı ve anlambilimsel uyumu da artıyor.
Yapay Zeka Robotlarının Çevresel Değişikliklere Adaptasyonu İyileştiriliyor
Görme-Dil-Eylem modellerinde (VLA) yaşanan çevresel değişikliklere karşı kırılganlık sorunu çözüm buluyor. Araştırmacılar, robotların küçük nesne pozisyon değişikliklerinde bile başarısız olma problemini 'yörünge aşırı öğrenme' olarak tanımlıyor. Bu durumda robotlar, eylemler ve nesneler arasındaki sahte korelasyonlara odaklanarak ezberledikleri kalıpları tekrarlıyor. Yeni geliştirilen PDF (Perturbation learning with Delayed Feedback) yöntemi, temel modelde ince ayar yapmadan test zamanında adaptasyon sağlıyor. Bu yaklaşım, belirsizlik tabanlı veri artırma ve eylem oylama ile sahte korelasyonları azaltırken, adaptif bir zamanlayıcı performans-verimlilik dengesini koruyor. Hafif bir pertürbasyon modülü de gecikmeli geri bildirimle eylem güvenilirliğini retrospektif olarak ayarlıyor.
Yapay Zeka Sınav Sistemlerinde Önyargı: İngilizce Öğrenen Öğrenciler Dezavantajda
Yapay zeka destekli otomatik sınav değerlendirme sistemleri, İngilizce öğrenen öğrenciler (ELL) için adaletsiz sonuçlar üretiyor. Araştırmacılar, bu sistemlerin mevcut önyargıları büyüttüğünü ve azınlık gruplarını kayırdığını keşfetti. Sorunun temelinde temsil eksikliği yatıyor: yüksek puan alan ELL öğrenci verisi az olduğu için, sistemler ana dili İngilizce olan öğrencilerin dilsel kalıplarını tercih ediyor. Bu durum, aynı bilgi düzeyine sahip ancak farklı dilsel ifadeler kullanan ELL öğrencilerinin puanlarının düşük çıkmasına neden oluyor. BRIDGE adlı yeni bir yaklaşım, gruplar arası veri artırma tekniği ile bu adaletsizliği gidermeyi hedefliyor.
Yapay Zeka Topolojik Veri Analizi ile Güçlendiriliyor
Araştırmacılar, yapay sinir ağlarının performansını artırmak için yeni bir yaklaşım geliştirdi. Topolojik Veri Analizi (TDA) tekniklerini derin öğrenme ile birleştiren bu yöntem, verilerin şekil ve yapısal özelliklerini koruyarak sinir ağlarına ekstra bilgi sağlıyor. Geleneksel yaklaşımlar topolojik bilgileri global olarak özetlerken, yeni sistem yerel geometrik yapıları da koruyor. Morse-Smale kompleksi kullanılarak geliştirilen bu çerçeve, hem konvolüsyonel hem de grafik sinir ağları ile uyumlu çalışabiliyor. Histopatoloji görüntü sınıflandırması ve 3D gözenekli malzeme regresyonu testlerinde, mevcut yöntemlere kıyasla belirgin performans artışları elde edildi.
Beyin Tümörü Teşhisinde Yapay Zeka: Yeni Frekans Tabanlı Sistem %99 Başarıya Ulaştı
Araştırmacılar beyin tümörlerinin sınıflandırılması için çift omurga mimarisine sahip yenilikçi bir yapay zeka sistemi geliştirdi. VGG16 ve Xception ağlarını birleştiren bu sistem, Frekans Kapılı Dikkat Bloğu ile yerel ve küresel özellikleri etkili şekilde yakalayabiliyor. En dikkat çekici özelliği, veri artırma teknikleri kullanmadan %99,24 doğruluk oranına ulaşması. Grad-CAM görselleştirme teknolojisi sayesinde sistemin hangi beyin bölgelerini analiz ederek karar verdiğini görebilen doktorlar, yapay zekanın önerilerini daha güvenle değerlendirebilecek. Bu şeffaflık özelliği, klinik uygulamalarda güven sorununu çözmeye yönelik önemli bir adım.
Yapay Zeka ile Gerçekçi Kafa Değiştirme Teknolojisi Geliştirildi
Araştırmacılar, dijital medyada kişilerin kafalarını başka vücutlarla birleştiren yeni bir yapay zeka sistemi geliştirdi. AHS (Adaptif Kafa Sentezi) adı verilen bu teknoloji, mevcut yöntemlerin aksine sadece yüz bölgesiyle sınırlı kalmıyor, farklı saç stilleri ve çeşitli baş pozlarıyla da başarılı sonuçlar üretiyor. Sistem, sentetik veri artırma stratejisi kullanarak eşleştirilmiş eğitim verilerine ihtiyaç duymadan çalışabiliyor. Bu gelişme, film endüstrisi, sanal gerçeklik uygulamaları ve dijital içerik üretimi alanlarında önemli fırsatlar sunuyor.
Yapay zeka ile kristal yapıları artık tahmin edilebiliyor
Bilim insanları, organik moleküllerin kristal yapılarını tahmin edebilen OXtal adlı yapay zeka modelini geliştirdi. 100 milyon parametreye sahip bu difüzyon modeli, 2D kimyasal formüllerden yola çıkarak 3D kristal yapıları öngörebiliyor. İlaç endüstrisinden organik yarıiletkenlere kadar geniş bir yelpazede uygulanabilecek bu teknoloji, kristal yapı tahmini alanında uzun süredir devam eden zorluklara çözüm sunuyor. Araştırmacılar, geleneksel eşdeğişken mimarilerin yerine veri artırma stratejilerini kullanarak modelin verimliliğini artırdı ve kristalizasyondan ilham alan yeni bir eğitim yöntemi geliştirdi.
Yapay Zeka Öneri Sistemleri Kullanıcı Davranışlarına Göre Kendini Ayarlamayı Öğrendi
Araştırmacılar, Netflix ve Amazon gibi platformlarda kullanılan öneri sistemlerinde devrim yaratabilecek yeni bir teknoloji geliştirdi. 'AdaTTA' adı verilen bu sistem, her kullanıcının benzersiz davranış kalıbını analiz ederek kendini otomatik olarak ayarlayabiliyor. Geleneksel yöntemler tüm kullanıcılara aynı yaklaşımı uygularken, yeni teknoloji pekiştirmeli öğrenme kullanarak her kişiye özel stratejiler belirliyor. Sistem, kullanıcının geçmiş tercihlerini Markov Karar Süreci olarak modelleyip, en uygun veri artırma tekniklerini seçiyor. Bu yaklaşım, mevcut model yapısını değiştirmeden öneri doğruluğunu önemli ölçüde artırıyor ve veri yetersizliği sorununa çözüm sunuyor.