recent ai research: logi-par, sparse-bitnet, c2-faith & more

Logi-par: Logic-Infused Patient Activity Recognition via Differentiable Rule

5 марта 2026 года был представлен Logi-PAR – первая структура распознавания активности пациента (PAR), которая использует логику, интегрируя объединение контекстных фактов и дифференцируемые правила, управляемые нейронной сетью. Метод автоматически изучает правила на основе визуальных сигналов, оптимизируя их и позволяя явно маркировать неявные закономерности в процессе обучения. Logi-PAR распознает активность пациента, применяя обучаемые логические правила к символическим отображениям, предоставляя проверяемые объяснения и поддерживая контрфактические вмешательства, например, снижение риска на 65% при наличии помощи. Оценка на клинических эталонах VAST и OmniFall продемонстрировала превосходные результаты по сравнению с Vision-Language моделями и трансформерами. Код доступен по ссылке: https://github.com/zararkhan985/Logi-PAR.git

Sparse-bitnet: 1.58-bit LLMs are Naturally Friendly to Semi-Structured Sparsity

Представлен Sparse-BitNet – унифицированная структура, которая одновременно применяет 1,58-битовую квантизацию и динамическую N:M-разреженность, обеспечивая стабильное обучение. 1,58-битный BitNet оказался более совместимым с N:M-разреженностью, чем модели с полной точностью, и может выдерживать более высокую разреженность без потери точности. Использование специализированного разреженного тензорного ядра позволяет добиться существенного ускорения в обучении и выводе, до 1,30X. Совмещение крайне низкой битовой квантизации с полуструктурной N:M-разреженностью является перспективным направлением для эффективных LLM. Код доступен по ссылке: https://github.com/AAzdi/Sparse-BitNet

C2-Faith: Benchmarking LLM Judges for Causal and Coverage Faithfulness in Chain-of-Thought Reasoning

Введен C2-Faith – эталон для оценки LLM в качестве судей в логических рассуждениях, фокусирующийся на причинно-следственной связи и полноте. C2-Faith построен на основе PRM800K и содержит примеры с известными ошибками, созданными путем замены шагов рассуждений на некорректные, и с контролируемым удалением информации. Оценка трех судей показала, что результаты зависят от формулировки задачи, и ни один из судей не превосходит остальные во всех настройках. Обнаружение ошибки не всегда сопровождается ее локализацией, а оценки полноты часто завышаются. Результаты проясняют надежность и ограничения LLM при оценке процессов.

Balancing Privacy-Quality-Efficiency in Federated Learning through Round-Based Interleaving of Protection Techniques

Представлен Alt-FL – фреймворк для федеративного обучения (FL), который объединяет дифференциальную конфиденциальность (DP), гомоморфное шифрование (HE) и синтетические данные с помощью стратегии чередования. Alt-FL включает три метода: чередование конфиденциальности (PI), чередование синтетических данных с DP (SI/DP) и чередование синтетических данных с HE (SI/HE), обеспечивающие гибкий компромисс между качеством, эффективностью и конфиденциальностью. Оценка Alt-FL показала, что PI обеспечивает наиболее сбалансированные результаты при высокой степени защиты конфиденциальности, а методы на основе DP предпочтительнее при умеренных требованиях к конфиденциальности.

Particle-Guided Diffusion for Gas-Phase Reaction Kinetics

Представлен метод диффузии, управляемый частицами, для моделирования кинетики газофазных реакций. Метод обучается на решениях уравнения адвекции-реакции-диффузии (ARD) и генерирует физически согласованные поля концентрации, точно предсказывая выходные концентрации даже при новых параметрах, демонстрируя потенциал диффузионных моделей для прогнозирования в реактивном транспорте.