KLIP: локальная детекция сдвига распределения через диффузионный prior
Препринт arXiv: метрика на KL-дивергенции между prior и posterior находит чужие патчи в обратных задачах без калибровочных данных.
Yevhen Stuzhuk - Personal Portfolio
Я — Старший инженер-программист
← Все статьи
Тег
research
Все статьи блога с этим тегом.
SPECTRA: создание синтетических коллекций для тестирования поиска
Новый метод генерации до 60k документов для диагностики поиска без дорогостоящей ручной разметки.
Распределённые атаки на агентов и мониторинг: новые подходы
Мониторинг с кластеризацией ловит распределённые атаки на 30% быстрее стандартных методов.
Управляемая эволюция рантайма агентов: код как долгоживущая «операционная память»
Препринт про HarnessMutation: как мультиагентные системы могут менять свой рантайм под валидацией, трассировкой и откатом — без хаотичного self-modify.
Алгоритмический «монокульт» в найме: одни и те же отказы миллионам кандидатов
Исследование FAccT 2026: 3 млн заявок, один вендор скрининга — расовые диспропорции и 4% кандидатов с отказом по всем вакансиям.
2-ASP(Q) с weak constraints: сложность и реализация в Casper
Фрагмент логического программирования для оптимизации до Δ₃ᵖ — полная теория сложности и CEGAR в системе Casper.
Chartographer: контрфактуальные графики для честной оценки VLM
Меняют данные графика при том же вопросе — и ловят, где модель отвечала по памяти, а не по визуальному рассуждению.
GENESIS: агенты для 6G RAN — от спецификации до проверки «по воздуху»
Фреймворк переводит intent в код RAN с валидацией over-the-air и базой знаний SYNAPSE — где LLM обычно ломают API и симуляции.
Maat: агент для исследования конкурентного права с RAG и официальными цитатами
ReAct-агент с инструментами обходит ChatGPT и узкие legal LLM на кейсах слияний — RAG, web fallback, уточняющие вопросы.
MATCHA: метрика для оценки LLM, которая ловит противоречия с эталоном
ROUGE и BERTScore часто ставят высокий балл противоположным текстам. MATCHA штрафует контрфактуальные противоречия — до +20% к согласию с людьми.
Когда взгляд выдаёт нейросеть: детекция ИИ-фото по согласованности взгляда
Пиксельные детекторы слабеют на ИИ-фото с людьми. Авторы предлагают проверять согласованность взгляда в кадре — +3,7 п.п. на сценах взаимодействия.