XGBoost

2026-10-26

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

ELBP: архитектура для SLM улучшает локальное прогнозирование поведения (arXiv:2610.32193v1)

Этот препринт на arXiv представляет ELBP — четырёхслойную архитектуру, объединяющую детерминированную обработку событий, двухпросмотровое представление поведения, предсказание на SLM и проверку доказательств с воздержанием для прогнозирования будущего запроса помощи по событиям взаимодействия. В экспериментах с инструкционно-настроенными моделями ≤3B параметров Qwen2.5-3B с ELBP показала F1 0.80 и PR-AUC 0.84 (около +15.9% относительно raw-event prompting и +17.6% относительно XGBoost) и значительно снизила ECE; при проверке доказательств селективное предсказание достигло F1 0.84 при покрытии 91% и 96% подтверждения доказательствами.

6.0

2026-10-21

MODELS · 1 ИСТОЧН. · Hugging Face

Kumo Relational от NVIDIA обгоняет supervised ML на реляционных бенчмарках без дополнительного обучения

Kumo Relational — предобученная реляционная foundation-модель от NVIDIA, которая делает предсказания прямо на реляционных базах данных, используя до 10 000 исторических примеров как контекст и выдавая результат одним проходом без задачной дообучки, фичеринга или флаттенинга таблиц. NVIDIA сообщает, что модель превосходит супервизированные реляционные нейросети и expert-engineered градиентные бустинги на 41 задаче в 15 БД, обгоняет AutoGluon на SAP SALT на 8% по MRR, масштабируется до 500B+ строк и доступна через open-source GPU-native structured-data-models library или как NVIDIA NIM, с интерфейсом Predictive Query Language (PQL) для агентов.

8.0

2026-09-17

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья предлагает гибрид с порогом доверия (ансамбль + LLM) для экономичного распознавания эмоций в диалоге

В arXiv:2609.17977v1 сопоставляются недорогой стековый ансамбль, прямой вызов LLM (включая GPT-4o-mini) и гибрид с фильтром по уверенности, который перенаправляет низкоуверенные предсказания ансамбля на LLM для распознавания эмоций в диалоге. На наборах IEMOCAP, MELD и CMU-MOSI гибрид превосходит оба чистых подхода по Pareto (лучший взвешенный F1 и сокращение расходов на LLM, поскольку большая часть обращений обрабатывается дешёвым ансамблем), с оценочными затратами примерно $10–85 против $99–170 на миллион обращений для гибридной и LLM-only схем соответственно.

7.0

2026-09-15

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Solar Intelligence — гибридная платформа с извлечением знаний для аналитики солнечной энергии, доказательной ответной системы и прогнозирования

В статье на arXiv (cs.AI) представлен Solar Intelligence — гибридная платформа с извлечением знаний, объединяющая структурную аналитику по солнечной энергии, доказательные ответы на научные вопросы и ML‑прогнозирование. Система интегрирует ежедневные данные NASA POWER и датчики Biosphere 2 с курированным корпусом исследований, использует DuckDB для структурных запросов, комбинирует BM25 и плотные эмбеддинги ChromaDB через Reciprocal Rank Fusion с обоснованием ответов моделью llama3.2:3b, строит ежедневные прогнозы (излучение, температура, ветер) на XGBoost и доступна через FastAPI, Streamlit и MCP сервер.

5.0