Grafowe sieci neuronowe (GNN) są wręcz stworzone do wykonywania predykcji w sieciach złożonych (np. przewidywania możliwych połączeń w sieci cytowań). W takich układach często potrzebujemy wytłumaczenia, jak parametry węzłów wpływają na predykcję - możemy to wykonać np. za pomocą metody Accumulated Local Effects (ALE). Jednak ze względu na skomplikowaną strukturę GNN, metoda ALE jest dość czasochłonna - razem z Pauliną Kaczyńską i Dominkiem Ślęzakiem zaproponowaliśmy przybliżony sposób jej wyznaczania oraz przetestowaliśmy dla dwóch rzeczywistych zbiorów danych.

Zanim artykuł naukowy pojawi się w renomowanym czasopiśmie, często umieszczamy go jako tak zwany "preprint" w jednym z wielu dedykowanych repozytoriów, np. arXiv, HAL czy SSRN. Niektóre z nich automatycznie wiążą preprint z opublikowanym artykułem, dając w ten sposób możliwość porównania cech preprintów i prac opublikowanych. Jednak czasem metoda zawodzi: takie właśnie przypadki śledzimy w naszej pracy z Fidan Badalovą i Philippem Mayrem z GESIS, udostępniając przy okazji pełny zbiór danych!

Nie jestem specjalistą z fizyki kwantowej, ale też nie tylko tego dotyczyła rozmowa prowadzona przez Tomasza Wolnego, w której wziąłem udział wraz z profesorami Zgirskim, Wcisłą oraz Demkowiczem-Dobrzańskim. Powinniśmy opowiadać o makroskopowych efektach kwantowych - clou Nobla 2025, a było o etyce w AI, było o książkach science-fiction i ulubionych teoriach spiskowych, ale chyba najwięcej czasu poświęciliśmy jednak (niestety) problemom związanym z finansowaniem polskiej nauki.

Niezależność, temperatura, szum - tych pojęć używa się często wymiennie w modelach opinii społecznej. Razem z dr Anną Chmiel sprawdziliśmy w naszej pracy z Physical Review E jak szum (prawdopodobieństwo niezależności) w modelu q-wybory oraz temperatura w modelu q-Isinga współgrają ze sobą.

Mądrość tłumu (wisdom of crowds) zakłada, że gdy mamy wiele osób, to podjęta kolektywnie decyzja prawie na pewno będzie poprawna. To szeroko wykorzystywana technika w uczeniu maszynowym - na tej idei opierają się takie metody jak bagging czy lasy losowe. Co jednak bedzie się działo, gdy poszczególne osoby - lub modele ML - będą ze sobą skorelowane? O tym mówi praca When the crowd gets it wrong – the limits of collective wisdom in machine learning, której motorem jest Kamil Orzechowski, a współautorami Agata i Piotr Fronczakowie.

W artykule „Q-Neighbor Ising model on a polarized network” opublikowanym w czasopiśmie Physical Review E wraz z dr inż. Anną Chmiel z Zakładu Fizyki Układów Złożonych badamy, jak zachowuje się model q-Isinga na dwóch spolaryzowanych sieciach o wspólnej części.