AI & ML Research 24 Hours

Letzte Aktualisierung: September 5, 2026, 10:15 PM ET

KI- & ML-Forschung

Ein neuer visueller Leitfaden erklärt, warum Transformatoren für Zeitreihenaufgaben eine positionsbezogene Kodierung benötigen, und zeigt, wie Self-Attention ohne explizite Positionsinformationen die Sequenzreihenfolge verliert. Der Leitfaden führt durch den Übergang von skalaren Beobachtungen zur Self-Attention und demonstriert, wie Positionsinformationen die notwendige Sequenzreihenfolge wiederherstellen.

Separat schlagen Forscher Transferlernen mit reduzierten Ordnungsmodellen vor, um die Leistung des bestärkenden Lernens bei komplexen dynamischen Systemen zu verbessern, wodurch Simulationskosten gesenkt und gleichzeitig die Genauigkeit erhalten bleibt. Der Ansatz nutzt reduzierte Ordnungsmodelle, um das Training für physikbasierte Aufgaben zu beschleunigen, die andernfalls rechnerisch unerschwinglich wären.