# arXiv'de iki yeni makine öğrenmesi makalesi yayımlanmış

> 26 Ekim 2026 tarihinde arXiv'de yayımlanan iki makale, çoklu duygu analizi ve kentsel temsil öğrenmesi alanlarında yeni çerçeveler sunuyor.

- URL: https://atakankademli.com.tr/blog/arxivde-iki-yeni-makine-ogrenmesi-makalesi-yayimlanmis-hb842
- Yazar: Haber Masası
- Yayın: 2026-10-26
- Güncelleme: 2026-10-26
- Kategori: Teknoloji

arXiv Machine Learning kategorisinde 26 Ekim 2026 tarihinde iki yeni makale yer aldı. Bu makaleler, makine öğrenmesi alanında farklı odak noktalarına sahip çerçeveler öne sürüyor.

## Çoklu duygu analizi için ConsMSA yöntemi

İlk makale, çoklu duygu analizi için tutarlılık tabanlı bir yöntem olan ConsMSA'yı öneriyor. Yöntem, metin, video ve ses gibi farklı modaliteler arasındaki semantik tutarlılığı modellemeyi hedefliyor. Multimodal token özelliklerini paylaşılan bir duygu uzayına projeler ve İç- ve Arası-Modalite Tutarlılık Skoru (I²CS) hesaplar. I²CS, eğitim sırasında tutarlılık düzenleyici olarak, uyarlamalı multimodal token yeniden ağırlıklandırma için semantik-bilgili ağırlıklar olarak ve gereksiz veya çelişkili tokenleri kırpmak için bir kriter olarak kullanılıyor. ConsMSA, CMU-MOSI, CMU-MOSEI ve CH-SIMS veri kümelerinde deneysel olarak değerlendirildi ve en iyi performansı gösterdi. Yalnızca %10 token tutulmasıyla karşılaştırılabilir doğruluk sağlayarak agresif token sıkıştırmaya karşı dayanıklı olduğu belirtildi. Makalenin dosya boyutu 2,414 KB ve arXiv ID'si 2610.31731. Yazarı Pan Wang olarak belirtilmiş. ConsMSA makalesi ICML 2026 için yorum olarak işaretlenmiş.

## Kentsel temsil öğrenmesi için PRISM çerçevesi

İkinci makale ise kentsel bölge temsil öğrenmesi için PRISM adlı bir çerçeve öneriyor. PRISM, hareket akışları, ilgi noktaları ve ara kullanım desenleri gibi heterojen kentsel sinyalleri birleşik gömme vektörlerine dönüştürüyor. Bölgeye özgü görünüm tahsisi için sparse MoE yönlendirmesini ve gradient çakışmalarını azaltmak için PID-ilhamlı bir düzenleme mekanizmasını kullanıyor. Üç büyük ölçekli kentsel veri kümesinde denendi ve güçlü çoklu görünüm taban hatlarına kıyasla rekabetçi performans gösterdi. Daha kararlı optimizasyon davranışı ve daha dengeli bölge temsilleri sağladığı ifade edildi. Dosya boyutu 3,556 KB ve arXiv ID'si 2610.31850. Yazarı Sean Bin Yang olarak belirtilmiş. PRISM makalesi PVLDB 2027 tarafından kabul edilmiş.

## Neden önemli?

Çoklu duygu analizi, insan duygularını tahmin etmek için metin, video ve ses gibi farklı modalitelerden gelen sinyalleri entegre etmeyi amaçlıyor. Kentsel bölge temsil öğrenmesi ise hareket akışları, ilgi noktaları ve ara kullanım desenleri gibi heterojen kentsel sinyalleri birleşik gömme vektörlerine dönüştürüyor. Bu iki yeni çerçeve, ilgili alanlarda mevcut yaklaşımların sınırlarına alternatif çözümler sunabilir.

Kaynak: [arXiv — Machine Learning](https://arxiv.org/abs/2610.31731), [arXiv — Machine Learning](https://arxiv.org/abs/2610.31850)

Temsili görsel: [Lukas Blazek / Pexels](https://www.pexels.com/photo/person-holding-chart-and-bar-graph-669612/)