ai research: de-paradox tree, linux ml, & recursive reasoning

De-paradox Tree: Разрешение парадокса Симпсона

De-paradox Tree – это алгоритм, разработанный для выявления скрытых подгрупповых закономерностей, лежащих в основе парадоксальных ассоциаций, при условии заданных причинно-следственных структур, включающих вмешивающиеся факторы и гетерогенность эффектов. Алгоритм использует новые критерии разделения и процедуры, основанные на балансировке, для учета вмешивающихся факторов и гомогенизации гетерогенных эффектов посредством рекурсивного разбиения. По сравнению с современными методами, De-paradox Tree строит более простые и интерпретируемые деревья, выбирает релевантные ковариаты и определяет вложенные противоположные эффекты, обеспечивая при этом надежную оценку причинно-следственных эффектов при наличии допустимых причинно-следственных переменных.

Machine Learning (ML) в ядре Linux

В ядре Linux разработана ML-библиотека, предназначенная для решения проблемы сложной конфигурации благодаря огромному объему кодовой базы и множеству подсистем и опций конфигурации. ML предоставляет возможность саморазвития ядра Linux, однако введение ML-подходов не является простым из-за отсутствия прямого использования операций с плавающей точкой (FPU) в пространстве ядра и потенциального снижения производительности. Предложенная архитектура библиотеки ML в ядре Linux включает интерфейс взаимодействия между прокси-моделью ML в пространстве ядра и потоком пользовательского пространства модели ML.

Рекурсивные модели для рассуждений на большом горизонте

В современных языковых моделях существует ограничение по контексту, которое является препятствием для рассуждений на большом горизонте. Было выявлено, что рекурсия является ключевым принципом для преодоления этого барьера, и предложены рекурсивные модели, которые могут рекурсивно вызывать себя для решения подзадач в изолированных контекстах. Доказано, что любая вычислимая проблема допускает рекурсивную декомпозицию, в которой для каждой подзадачи требуется экспоненциально меньший активный контекст, чем в стандартных авторегрессивных моделях.

Force-field нейронные сети для адиадинамики решетчатых гамильтонианов

Разработана GNN-система force-field для адиадинамики решетчатых гамильтонианов, демонстрирующая строгий линейный масштаб с размером системы и прямую переносимость к большим решеткам. Обученная на данных точной диагонализации, GNN достигает высокой точности силы. Результаты показали динамическое масштабирование и аномально медленное под-Allen–Cahn упрочнение при исследовании упорядочивания волновых дефектов заряда после теплового тушения.

MMR-Life: Восстановление сцен из реальной жизни для мультимодальных мульти-изображений

MMR-Life – это комплексный эталон для оценки разнообразных мультимодальных мульти-изображений, используемых в MLLM в реальных жизненных сценариях. Он состоит из 2646 вопросов с множественным выбором, основанных на 19108 изображениях из реального мира, охватывающих семь типов рассуждений: абдуктивный, аналогический, причинно-следственный, дедуктивный, индуктивный, пространственный и временной. Анализ 37 передовых моделей показал, что даже лучшие модели, такие как GPT-5, достигают только 58% точности и демонстрируют значительные колебания в производительности в зависимости от типа рассуждений.

De-paradox Tree Machine Learning (ML) library in Linux kernel Recursive Models for Long-Horizon Reasoning Graph neural network force fields for adiabatic dynamics of lattice Hamiltonians MMR-Life: Piecing Together Real-life Scenes for Multimodal Multi-image Reasoning Hugging Face