Data Mining | Анализ данных🚀

AlphaTensor-Quantum использует глубокое обучение с подкреплением для минимизации T-гейтов в квантовых схемах, значительно улучшая их эффективность. Модель обучена оптимизировать вычисления, экономя время и ресурсы по сравнению с традиционными методами. www.nature.com/articles/s42256-025-01001-1

Reasoning-LLM — это модели, специально разработанные для логического рассуждения и пошагового решения сложных задач, что отличает их от обычных LLM. В статье рассматриваются принципы их работы, особенности архитектуры и передовые модели, а также даются рекомендации по использованию этих технологий. https://habr.com/ru/companies/selectel/articles/892600/

Обзор посвящён глубокому разбору математической формализации дистилляции, включая её уравнения и оптимизацию, а также примерам реализации на PyTorch и обсуждению нюансов исследований. Он ориентирован на тех, кто хочет не просто использовать дистилляцию, а понять её принципиальные основы и применить осознанно в своих проектах. https://habr.com/ru/articles/891284/

В статье описывается алгоритм DAPO, который улучшает обучение LLM с использованием методов обучения с подкреплением. Авторы открыто публикуют свои решения, включая ключевые технические детали, что способствует воспроизводимости их результатов и поддерживает будущие исследования в области RL для LLM. https://arxiv.org/pdf/2503.14476

В статье рассматривается создание системы распознавания жестов с использованием акселерометра MPU 6050 и машинного обучения на платформе ESP32. Описывается процесс сбора данных, обучения модели с помощью TensorFlow и реализации решения для распознавания жестов с передачей данных по Bluetooth LE. https://habr.com/ru/articles/891314/

Исследование объясняет, как нелинейные активационные функции влияют на «имплицитный уклон» нейронных сетей, который способствует их хорошей обобщающей способности, несмотря на переобучение. Рассматриваются теоретические подходы, включая связь с преобразованием Радона и минимизацию высокочастотных компонентов. https://arxiv.org/abs/2503.10587

OpenAI выяснили, что их модели могут сознательно избегать сложных задач и обманывать систему наград, что называется reward-hacking. Вместо оптимизации моделей, они предлагают мониторить их поведение с помощью другой модели для более эффективного выявления нарушений. openai.com/index/chain-of-thought-monitoring/

Статья вводит в теоретические основы асинхронных и параллельных методов, начиная с оптимальности SGD для одного устройства, и сравнивает Minibatch SGD, Asynchronous SGD и Rennala SGD по временной сложности с учетом различного времени вычислений. https://habr.com/ru/companies/airi/articles/883266/

Команда API Яндекс Карт разработала масштабируемый геокодер с использованием глубокого обучения, который точно определяет локации, даже при опечатках и неформальных запросах на разных языках. Геокодер быстро адаптируется для работы в новых странах, применяя методы активного обучения, аугментации данных и контрастивного обучения. https://habr.com/ru/companies/yandex/articles/877086/

DeepCircuitX — это всесторонний набор данных для улучшения понимания и генерации RTL кода, включая аннотации Chain of Thought и PPA метрики. Он служит важным ресурсом для разработки машинного обучения в области автоматизации проектирования аппаратного обеспечения. https://arxiv.org/pdf/2502.18297

Умение грамотно управлять данными — конкурентное преимущество.  Но как прокачивать навыки работы с ними? Один из способов — читать правильную литературу. В этом посте собран список книг о базовых принципах реляционных баз данных и SQL, продвинутых инструментах и языках программирования и многом другом. https://habr.com/ru/companies/ru_mts/articles/884678/

Автор рассматривает инструменты для развёртывания моделей ML , которые помогают масштабировать и управлять жизненным циклом, включая сервинг, мониторинг и управление API‑эндпоинтами. Особое внимание уделяется выбору и применению инструментов для эффективной интеграции MLOps‑решений. https://habr.com/ru/companies/otus/articles/883894/

DeepSeek предложили NSA (Native Sparse Attention), разреженный механизм внимания, который делит процесс на три части: Token Compression, Token Selection и Sliding Window, что позволяет эффективно обрабатывать длинные последовательности. Этот подход ускоряет вычисления и в некоторых случаях превосходит традиционное внимание. arxiv.org/pdf/2502.11089

ScaleAI обнаружили уязвимость Jailbreaking-to-Jailbreak (J2), при которой модель, обученная на отказах, может взломать другие ИИ и даже себя. Это позволяет обходить защиту с успешностью в 93%, выявляя фундаментальную уязвимость в системах ИИ. https://scale.com/research/j2

В статье представлен PREFEVAL — бенчмарк для оценки способности LLM учитывать предпочтения пользователей в длинных контекстах. Эксперименты показали, что даже с продвинутыми методами LLM сталкиваются с трудностями, но дообучение на PREFEVAL значительно улучшает результаты. https://arxiv.org/pdf/2502.09597

OpenAI выпустили гайд по тому, как правильно обращаться с ризонинг-моделями. В гайде объясняется, чем модели логического рассуждения отличаются от GPT-моделей, а также даются рекомендации по их применению и эффективному формулированию запросов. https://platform.openai.com/docs/guides/reasoning-best-practices

В материале объясняется, что выбор метода ML зависит от множества факторов, таких как данные и цели проекта. Также представлена шпаргалка по алгоритмам Microsoft Azure, которая поможет выбрать оптимальный подход для предсказательной аналитики. https://habr.com/ru/companies/microsoft/articles/317512/

Работа посвящена теоретическому анализу широко используемого типа MDM. Авторы показали, что её эффективность сильно зависит от целевой метрики оценки. Все выводы подтверждены эмпирическими исследованиями. https://arxiv.org/pdf/2502.09622

Статья сравнивает два подхода к созданию игры “Пинг-Понг” на языке Go с использованием нейросетей DeepSeek и ChatGPT. Основное внимание уделено различиям в реализации кода, результаты можно прочесть ⤵️ https://habr.com/ru/articles/878766/