#machine learning

И исследования ·11 авг 2026

Decoupled Descent: метод обучения нейросетей с гарантированным совпадением ошибок на трейне и тесте

Исследователь предложил алгоритм Decoupled Descent (DD), который решает классическую проблему расхождения train/test ошибок. Метод основан на теории approximate message passing и гарантирует, что обучающая ошибка асимптотически равна тестовой на каждой итерации. Пока работает только на стилизованных задачах с полным батчем, но открывает путь к автоматической остановке обучения и оптимальному подбору гиперпараметров.

0 56

И исследования ·30 июл 2026

Apple Research: как извлечь больше пользы из UMAP через анализ графа ближайших соседей

Исследователи Apple показали, что внутренний kNN-граф UMAP (который строится до 2D-проекции) можно анализировать стандартными графовыми алгоритмами — PageRank, k-core decomposition — для поиска репрезентативных точек и плотных кластеров. Это даёт более точное понимание структуры данных, чем финальная 2D-визуализация.

0 56

И исследования ·22 июл 2026

Модель с точностью 35% обыграла рынок на 12%: когда калибровка важнее accuracy

Исследователь обучил модель предсказывать доходность акций S&P 500 на основе качественных факторов из 10-K отчётов. Точность — всего 35%, но топ-20 компаний по рангу модели принесли 20,6% годовых против 7,9% рынка. Главный урок: для инвестиционных решений важна калибровка и ранжирование, а не классическая accuracy. Второй сюрприз: добавление признаков ухудшило результат — слабые сигналы просто добавили шум.

0 77