Ant Group, IJCAI 2026'da dört makale yayımlayarak AI'nın dinamik ortamlarda uyum sağlama yeteneğini sistematik olarak araştırıyor.

Makale yazarı, kaynak: Leifengwang

Daha akıllı algoritmalar da nihayetinde dinamik ortamlarda sınanmalıdır.

IJCAI-ECAI 2026, 15-21 Ağustos 2026 tarihleri arasında Almanya Bremen'de yapılacak. Konferansın gerçekleşeceği sırada, AI Teknoloji İncelemesi, bu yılki zirve konferansında kabul edilen makaleleri sistematik olarak tarayarak teknoloji eğilimlerini ve sektör yönlerini belirliyor.

de华为 IJCAI 2026 Makale İncelemesi: 'Ölçek Yoğunluğu'ndan 'Tasarım Yoğunluğuna'da, büyük şirketlerin parametre yarışında tutumlu davranışlarını ve hesaplama verimliliğine olan ilgilerini gözlemledik.

Ancak Ant Group'un seçilen dört makalesi, dinamik ortamlara uyum sağlama kapasitesine yönelik sistematik bir araştırmayı hedefliyor.

Algoritmik modellerin doğruluğu laboratuvar ortamında sürekli rekorlar kırıyor, ancak gerçek dünyaya dağıtıldığında performans düşüşü neredeyse kural haline geliyor. Neden basit: gerçek dünya asla sabit değildir.

Ant Group'in iş senaryoları, bu "durağan olmayan" durumu aşırıye getirir: 1 milyardan fazla kullanıcı, 8.000'den fazla hizmet, ödeme zirveleri ile gece düşük noktaları arasında birkaç sıralama farkı olabilir; risk kontrol modelleri, kara ticaret stratejilerinin yenilenmesine saat bazında tepki vermelidir; küresel dağıtım, ülkelerin birbirinden farklı finansal altyapılarına uyum sağlamalıdır.

Bu tür bir ortamda, "bir kez eğit, kalıcı olarak dağıt" statik modelleri, "Gemiyi işaretleyerek kılıç aramak" sorununa mahkûm kalacaktır.

Bu nedenle, gerçek akıl, algoritmaların çevresel değişiklikleri algılayıp kendi stratejilerini aktif olarak ayarlayabilme ve dinamik ortamlarda en iyi çözümü bulabilme yeteneğindedir. Ant Group'un bu dört makalesi, bu temel soruya birlikte cevap vermektedir: AI'yi "statik bir çözücü"den "dinamik bir uyumlu varlığa" nasıl dönüştürebiliriz?

01 MSRGC-Net: Zaman serisi kümelemeyi veri yoğunluğu dağılımına göre "uyarlanabilir" hale getiriyor

Zaman serisi kümeleme, büyük miktarda davranış serisini otomatik olarak sınıflandırmaktır ve bu, davranış modellerini anlama ve anormallik sinyallerini izleme için temel bir araçtır.

Ancak mevcut yöntemlerin her biri kendi sıkıntılarıyla karşı karşıya:

• Benzerlik yöntemleri (örneğin k-Shape): Yerel desenleri yakalayabilir, ancak tüm örnekler arasındaki çiftli mesafeleri hesaplamak gerekir; veri arttıkça çalışması zorlaşır;
• Derin öğrenme yöntemleri (örneğin otokodlayıcılar): Temsil gücü yüksek, ancak eğitim maliyetli, parametre ayarlaması karmaşık ve hesaplama kaynakları yoğun;
• Geleneksel özellik çıkarma: Elle tasarlanmış özelliklere dayanır, önemli zaman dinamik bilgileri kaybolabilir.

Daha büyük sorun, gerçek dünyadaki zaman serisi veri yoğunluğunun son derece eşitsiz dağılımıdır—Tekil Gün alışveriş verileri yağmur gibi yoğundur, gece yarısı verileri ise damla damla seyrekken, geleneksel yöntemler size önceden kaç kategoriye ayıracağını söylemenizi gerektirir, bu da gerçeklikle tamamen çelişir.

Ant Group ile Çongqing Elektronik ve Haberleşme Üniversitesi'nin önerdiği MSRGC-Net, doğruluk ve hesaplama verimliliği arasındaki ikilemi, "eğitimsiz" bir kombinasyonla atlıyor.

Makale adresi: https://arxiv.org/pdf/2606.12077v1

▎ Temel mantığı üç adıma ayrılabilir:

Birinci adım, çok ölçekli havuz kodlama (özellik çıkarma). Özgün zaman serisinden yerel dalgalanmaları ve uzun vadeli eğilimleri aynı anda çıkarmak için, spektral yarıçapı ayarlanarak eğitilmemiş birden fazla sesli durum ağı (ESN) havuz temel birimi olarak kullanılır; tüm örnekler birleştirilerek bir görünüm özellik matrisi oluşturulur ve bu matris sonraki aşamalar için girdi olarak kullanılır.

İkinci adım, “Tanecik Topu” bağlantılı haritasının oluşturulması (yapısal modelleme), bu en zekice yapılmış kısımdır. Algoritma artık tek bir veri noktasına odaklanmaz, bunun yerine verinin yerel yoğunluğuna göre otomatik olarak “Tanecik Topları” (Granular Ball) böler: yüksek yoğunluklu bölgeler küçük ve çok sayıda tanecik, düşük yoğunluklu bölgeler ise büyük ve az sayıda tanecik oluşturur. Veri boyutu N’den M’ye (tanecik sayısı, M < N) sıkıştırılırken gürültü etkileri de bastırılır.

Üçüncü adım, fikir birliği temelli çok ölçekli graf optimizasyonu. Ölçekler arası referans grafı, fikir birliği stratejisiyle birleştirilerek model, mikro lokal desenleri yakalayabildiği gibi makro全局 eğilimleri de kavrayabiliyor ve nihayetinde elle belirlenmiş küme sayısı gerektirmeyen sağlam kümeleme sonuçları üretiyor.

Bu stratejinin etkisi nasıl?

5 çok değişkenli referans veri kümesinde ve 15 değerlendirme metriğinde (NMI, ARI, RI her biri 5 adet), MSRGC-Net 12'sini birinci, 2'sini ikinci oldu — %80 ilklik oranı.

Daha da önemlisi, O(n²) çift hesaplamalarından kaçınarak neredeyse doğrusal bir karmaşıklık sağlar. Basitçe söylemek gerekirse: hem hızlı hem doğru, ve kaç kategoriye ayırmanız gerektiğini tahmin etmenize gerek yok.

Aslan'ın gerçek iş senaryolarında, bu, sistemin trafiğin yoğunluğuna göre kümeleme incelemesini otomatik olarak ayarlayabileceğini anlamına gelir — yoğun saatlerde anormallikleri yakalamak için ince gruplama, düşük saatlerde hesaplama gücünü tasarruf etmek için kaba gruplama yapar ve her zaman veriyle aynı hizada olur.

02 Çevrimdışıdan çevrimiçi öğrenmeye adaptive veri karıştırma stratejisi

Öğrenme için güçlü bir "yerel uyumsuzluk" sorunu vardır — "dağılım kayması": çevrimdışı verilerde eğitilen modeller, çevrimiçi hale geldiğinde kolayca "unutma" eğilimindedir. Bunun nedeni, çevrimdışı veriler ile çevrimiçi etkileşim verileri arasındaki dağılım farkıdır ve bu da çevrimiçi başlangıç stratejisinin çevrimdışı öğrenilen bilgileri hızla "unutmasına" neden olur.

Mevcut çözümler iki şekilde olabilir: ya %50 çevrimdışı ve %50 çevrimiçi gibi sabit bir karışım oranı kullanılır, ya da heuristik kurallarla “yakın strateji” örnekleri öncelikli olarak örneklenir.

Ancak sorun, stratejinin farklı aşamalarda tamamen farklı ihtiyaçlara sahip olmasıdır—erken aşamada temel temeli sabitlemek için daha fazla çevrimdışı veriye ihtiyaç vardır, geç aşamada ise yeni olasılıkları keşfetmek için daha fazla çevrimiçi veriye ihtiyaç vardır. Sabit bir strateji, gemiye işaret etmek gibidir.

Ant Group, Şanghay Jiaotong Üniversitesi ile birlikte ROAD’u önerdi ve veri karışım oranını bir “önceden belirlenmiş parametre”den “dinamik karar değişkenine” dönüştürdü.

Kağıt adresi: https://arxiv.org/pdf/2605.14497

Çok ilginç bir temel fikir: veri seçimi temelde iki katlı bir optimizasyon problemidir.

• İç seviye (Inner-Level): Bellman hatasını minimize etmek için standart Q-öğrenme güncellemesi;
• Dış seviye (Outer-Level): Çevrimiçi stratejinin beklenen getirisini maksimize etmek amacıyla veri karıştırma stratejisini meta karar değişkeni olarak ele alın.

İki katman, çok kollu bandit (MAB) algoritması ile yaklaşık olarak çözülür ve karışık strateji, eğitim süreci boyunca gerçek zamanlı olarak ayarlanır: Model, oflinde öğrenilen bilgileri "unutmaya" başladığında, otomatik olarak ofline veri örnekleme oranını artırarak temel temeli sabitler; model koruyucu hale gelip keşif yetersiz olduğunda, online veri oranını artırarak hataları denemeye teşvik eder.

Deneyler oldukça sağlam şekilde yürütüldü. Takım, çevrimdışıdan çevrimiçi güçlendirme öğrenmeye üç klasik referans üzerinde test yaptı: AntMaze (robotun bir labirentte hedefe ulaşması), MuJoCo (biyomimetik robotların hareket kontrolü) ve FrankaKitchen (mekanik kolağın mutfakta karmaşık görevleri tamamlaması). Bu görevler farklı zorluk seviyelerine ve durum uzaylarına sahip olup, algoritmanın genelleme yeteneğini kapsamlı bir şekilde test edebilir.

ROAD algoritmasının evrensel geçerliliğini doğrulamak için araştırma ekibi, ROAD'u IQL, PEX, CQL, Cal-QL gibi çeşitli ana akım çevrimdışı algoritmalarla birleştirdi. Sonuçlar, temel algoritma ne olursa olsun, ROAD'un performansı sabit bir şekilde artırdığını gösterdi.

PEX+ROAD örneğinde, bu yöntem D4RL benchmark'ındaki 24 sürekli kontrol görevinde toplam ortalama 71,12 puan elde etti ve 24 görevin 18'inde birinci oldu; sabit oran, azalan oran ve sezgisel dengeleme yeniden oynama gibi tüm temel yöntemleri önemli ölçüde geçti.

Yani, ROAD, modelin “konservatif miras alma” ve “ajresif keşif” arasında en iyi dengeyi kurmasına olanak tanır—hem ilk sürümden hemen sonra başarısız olmaz, hem de gerçek zamanlı verilerden gelen iyileştirme fırsatlarını kaçırmaz. Bu yöntem, Ant Group'un risk kontrol modeli sürümü ve öneri sistemi gerçek zamanlı optimizasyonu gibi senaryolar için çok açık bir değer sunar.

03 DSEBO: Yüksek boyutlu Bayesiyen optimizasyonun "uyumlu" alt uzay araması

Bayes optimizasyonu, siyah kutu fonksiyon optimizasyonu için klasik bir yöntemdir, ancak yüksek boyutlu problemlerle karşılaştığında zorlanır. Yaygın bir çözüm, rastgele gömme—optimizasyonu düşük boyutlu bir alt uzaya projeksiyon yapmaktır—ancak yeni bir sorun ortaya çıkar: etkili boyut sayısı tam olarak kaçtır?

Geleneksel yöntemler ya sabit alt uzay boyutlarını uzman deneyimine dayalı olarak belirler ya da deneme-yanılma yoluyla tekrar tekrar tahmin eder; bu da büyük kaynak tüketimine neden olur ve sabit alt uzay boyutları farklı görevlere uyum sağlayamaz. Daha da kötüsü, etkili boyut kendi başına optimizasyon süreciyle değişebilir: başlangıç aşamasında keşif için düşük boyut yeterli olabilir, ancak son aşamada ince ayar için daha yüksek boyutlu detaylara ihtiyaç duyulabilir.

Ant Group, Doğu Çin Normal Üniversitesi ve Nanjing Üniversitesi tarafından önerilen DSEBO, alt uzay boyutunu optimizasyon sürecinde “dinamik bir değişken” haline getirerek arama ilerlemesine göre kendi kendine geçiş yapar.

Kağıt adresi: https://arxiv.org/pdf/2605.23473

DSEBO'nun temel mekanizması "düşükten yükseğe, aşamalı yükseliş"tir:

• Düşük boyutlu alt uzaydan başlayarak, optimizasyon algoritması düşük boyutlu uzayda aday çözümler üretir, bunları rastgele gömme yoluyla orijinal uzaya aktarır ve hedef fonksiyonun genel şeklini hızlıca belirler; ardından sonuç geri bildirimi, Gauss sürecinin yinelemeli güncellenmesini sağlar;
• Konsantrasyonun gözlemlenmesiyle otomatik olarak boyut genişletmesi tetiklenir, paylaşılan gömme matrisi aracılığıyla düşük boyutlu çözümler "miras" olarak yüksek boyuta aktarılır;
• Yeni alt uzaylar, paylaşılan gömme matrisi tarafından birbirine iç içe geçirilerek başlatılır ve optimize edilir; bu, “düşük boyutlu keşif → yakınsama tetikleme → boyut genişletme → sürekli optimizasyon” döngüsünü oluşturur ve değerlendirme bütçesi sınırına ulaşana kadar devam eder.

Boyut genişletme aşamasında genişleme miktarı sabit değildir—algoritma, mevcut en iyi değer eğrisine göre kendini uyarlar: eğri düzgünse yavaş genişler, gereksiz maliyetleri önler; eğri dikse hızlı genişler, yüksek boyut kazançlarını hızlıca yakalar.

DSEBO, sentetik fonksiyonlar (Levy, Griewank, Sphere, D=1000) ve üç gerçek görev (MSLR, Lasso-Hard, LIMO) üzerinde REMBO, SIRBO, BAxUS, TuRBO gibi onlarca ana yöntemle karşılaştırıldı ve neredeyse tüm görevlerde en iyi çözümü elde etti—hem doğruluk hem de yakınsama hızı açısından önde.

“Düşük boyutlu keşif, yüksek boyutlu ince ayar” stratejisi, Ant'in günlük geliştirme süreçlerinde de oldukça pratiktir—kredi modeli hiperparametre optimizasyonu, risk kontrol stratejileri için eşiğin optimizasyonu, pazarlama kampanyaları için çok değişkenli deney tasarımı artık uzmanların boyutları tahmin etmesine gerek kalmadan, algoritma kendiliğinden “yol boyunca gözlem yaparak” otomatik ve yüksek verimli bir şekilde çalışır.

04 VGA-BenchV2: Video değerlendirme benchmarkini AIGC ekosisteminin gelişimine uygun hale getirme

Eğer ilk üç makale algoritmik düzeydeki uyumlanabilirliği tartışıyorsa, VGA-BenchV2, değerlendirme altyapısının AIGC teknoloji ekosisteminin ilerlemesine nasıl “uyumlanacağını” göstermektedir. Bu, çok modalli içerik anlayışına odaklanan dört makale arasında tek çalışmadır ve Ant Group’un finansal olmayan alanlarda, dijital yaşam ve içerik ekosistemi gibi alanlarda stratejik hazırlıklarını yansıtmaktadır.

AIGC, video üretiminde büyük bir patlama yaratıyor, ancak bir temel sorun engel oluyor: Bu üretilen videoların kalitesini nasıl sistematik olarak değerlendiririz?

Çalışma kalitesini ve zamanlamada tutarlılığı değerlendirmek için geleneksel ölçütler olan FVD (değerlendirme genel kalitesi ve zamanlamada tutarlılık), CLIP Skoru (oluşturulan görüntüler ile metin açıklamaları arasındaki semantik uyumu değerlendirme), temel olarak görüntü net mi, hareketler tutarlı mı, metin uyuyor mu bakar. Ancak kompozisyonun zarif olup olmadığı, ışık ve gölge kullanımının dikkatli olup olmadığı, renklerin uyumlu olup olmadığı gibi “güzellik” ile ilgili algısal kalite unsurlarına neredeyse etki edemiyor.

Daha önce CVPR 2026'da, Ant Group, Pekin Sinema Akademisi ve Genel Yapay Zeka Enstitüsü (BIGAI) ile birlikte VGA-Bench'i sundu ve video estetik değerlendirmesi için ilk kez üç boyutlu bir çerçeve (estetik kalite, estetik etiket, üretim kalitesi) oluşturdu. 1.016 adet giriş metni, 12 adet üretim modeli ve 60.000'den fazla videoya dayanarak bir değerlendirme standartı kurdu ve AI'ya ilk kez profesyonel bir bakış açısıyla video değerlendirmeyi öğretti.

Makale bağlantısı: https://arxiv.org/pdf/2604.10127

Ancak video üretme modelleri çok hızlı gelişiyor; aylık geliştirme hızı sabit referansları çok kısa sürede yetersiz hale getiriyor. Bu IJCAI 2026 makalesinde, takım VGA-BenchV2'yi daha da ileriye taşıdı.

Açık kaynak adresi:

https://huggingface.co/datasets/BestVictoryLab/VGA-Bench

▎ Temel gelişim üç noktadır:

Birinci olarak, elle etiketleme miktarı artırıldı. VGA-BenchV2, 36.000 yeni görev düzeyi elle etiketlenmiş veri ekledi; bunlardan 16.200'si estetik kalite etiketi, 13.200'si estetik etiket, 6.600'si üretim kalitesi etiketi olmak üzere, VGA-Bench'e göre sırasıyla 13,46 kat, 11,15 kat ve 1,55 kat genişletme sağlandı. Daha fazla "insan tercihi" verisi, değerlendirme aracının insan estetik yargılarıyla daha iyi uyum sağlamasını sağlıyor.

İkinci olarak, değerlendirme mimarisi yükseltildi. Takım, VAQA-Net'in sürekli estetik puanlamasını, VTag-Net ve VGQA-Net'in ise Qwen büyük görsel dil modeli tabanlı etiket tanıma ve kalite değerlendirme işlemlerini gerçekleştirdiği karmaşık bir mimari tasarladı. Büyük modelin entegrasyonu, değerlendirme aracının karmaşık görsel anlamları anlama kapasitesini önemli ölçüde artırdı. Deneysel sonuçlar, bu sistemin çeşitli üretme modellerindeki değerlendirmelerinin insan yargılarıyla yüksek oranda uyumlu olduğunu gösterdi.

Üçüncü olarak, "değerlendirme"den "iyileştirme"ye kadar olan döngü tamamen açılacaktır. VGA-BenchV2'nin en öncü tasarımı budur: Öğrenilen estetik değerlendiriciler, doğrudan güçlendirilmiş öğrenme tabanlı üretim modellerinin ince ayarında ödül sinyali olarak kullanılır. Bu, değerlendirme ölçütünün yalnızca bir "hakem" olmaktan çıkıp, verdiği puanların doğrudan iyileştirme sinyallerine dönüştürülebileceği ve üretim modelinin estetik kalitesi üzerinde sürekli olarak iterasyon yapmasını sağladığı anlamına gelir.

VGA-Bench'ten VGA-BenchV2'ye, değerlendirme sistemi statik bir ölçüt değil, üretken ekosistemle "birlikte evrimleşen" canlı bir sistemdir. Ant Group'un içerik anlama, güvenlik denetimi ve öneri optimizasyonu gibi senaryoları için video kalitesi değerlendirme yeteneği, AIGC ekosisteminin gelişimine ayak uydurmakla kalmaz, aynı zamanda üst model optimizasyonunu da yönlendirir: “puan verme”den “optimizasyon”a, döngü tamamlanır.

Son söz: En akıllı algoritmalar, nihayet dinamik ortamlarda sınanmalıdır.

Dört makale, sırasıyla denetimsiz öğrenme, pekiştirmeli öğrenme, siyah kutu optimizasyonu ve çoklu modlu değerlendirme yönlerinden girerek, aynı teknik yoluna—statikten dinamiklere paradigmaların dönüşümüne—doğru yönelmiştir.

Deneysel veriler bu yolun etkinliğini doğrulamaktadır: MSRGC-Net, 15 endikatörde 12 birinci ve 2 ikinci yer aldı; ROAD, çoklu çevrimdışı-çevrimiçi güçlendirme öğrenimi görevlerinde mevcut stratejileri aştı; DSEBO, bin boyutlu optimizasyon problemlerinde ölçülebilir bir iyileşme sağladı; VGA-BenchV2, çeşitli üretim modellerindeki değerlendirme sonuçları insan yargılarıyla yüksek oranda uyum gösterdi.

Bu teknik yol boyunca Ant Group'un genel yapısına bakıldığında, net bir “çift tekerlekli sürüş” yapısı ortaya çıkar: bir yandan finansal çekirdek senaryolarında zaman serisi modelleme, pekiştirmeli öğrenme ve optimizasyon algoritmalarına odaklanırken, diğer yandan dijital yaşam ve içerik ekosisteminde çok modlu anlama ve değerlendirme altyapısına öncü bir şekilde yer verilir.

Sonuçta, algoritma ne kadar akıllı olursa olsun, nihayetinde dinamik bir ortamda sınanmalıdır. Bu dört makalenin gerçek değeri, belki de hepsinin gerçek iş ortamlarında yetişmiş olmalarındadır: Ant Financial'in iş senaryoları makalelerin “arka planı” değil, sorunların kaynağı, verilerin üretildiği yer ve etkinliğin test edildiği sahadır.

Ve belki de bu, endüstride AI araştırmasının en özgün yönüdür—sadece “makale yazmak” değil, gerçek dünyadaki sorunlar için “dinamik değişikliklere dayanabilen” çözümler bulmaktır.