24346 papers
De kruising tussen C++ en kunstmatige intelligentie vormt een fascinerend speelveld waar snelle code en slimme algoritmen samenkomen. Hier worden de fundamenten gelegd voor systemen die niet alleen snel rekenen, maar ook complex leren en beslissen. Deze artikelen duiken in de technische kern van hoe programmeurs de prestaties van AI-modellen maximaliseren, vaak door de onderliggende software te optimaliseren voor specifieke hardware.
Op Gist.Science bewaken we deze stroom van nieuwe inzichten die dagelijks op arXiv verschijnen. Wij verwerken elk nieuw preprint in dit domein om zowel heldere, alledaagse uitleg als diepgaande technische samenvattingen te bieden. Zo maken we de complexe wereld van systeemoptimalisatie voor AI toegankelijk voor een breed publiek, zonder de wetenschappelijke nauwkeurigheid te verliezen.
Hieronder vindt u de meest recente papers die in deze categorie zijn verwerkt, direct uit de bron van arXiv.
Dit artikel onderzoekt de afwegingen tussen nut, eerlijkheid en differentiële privacy in neurale netwerken, waarbij wordt vastgesteld dat een model dat beide beperkingen combineert (DPF-NN) superieure eerlijkheid bereikt met minimaal verlies aan nauwkeurigheid bij hoge privacy-niveaus, ondanks dat het voorheen werk op het gebied van risicieverschil tekortschiet.
Dit artikel toont aan dat AlphaZero-stijl reinforcement learning-algoritmen er niet in slagen om een expert-niveau van meesterschap te bereiken in onpartijdige spellen zoals Nim vanwege een fundamentele representationele flessenhals bij het leren van abstracte wiskundige principes, wat onthult dat eenvoudige hyperparameteroptimalisatie de onmacht om te generaliseren voorbij gememoriseerde toestanden niet kan overwinnen.
Het artikel introduceert MWaste, een mobiele applicatie die gebruikmaakt van deep learning en computer vision om huishoudelijk afval met 92% precisie nauwkeurig te classificeren in zes categorieën, met als doel de recyclingefficiëntie te verbeteren en klimaatverandering te mitigeren.
Dit artikel stelt een instance-wise linearisatie-aanpak voor die de niet-lineaire forward-berekening van neurale netwerken herformuleert naar een enkele lineaire matrixvermenigvuldiging op basis van unieke activatiepatronen, waardoor het een precieze feature-attributie biedt en exact onthult hoe inputkenmerken bijdragen aan voorspellingen in zowel supervised als unsupervised learning-taken.
Dit artikel toont aan dat het toepassen van transfer learning en fine-tuning op RGB-banden van de EuroSAT-dataset zeer nauwkeurige (99,19%) landgebruik- en landbedekkingskaarten mogelijk maakt, wat een waardevolle tool biedt voor milieumonitoring, stedelijke planning en klimaatveranderingmitigatie.
Dit artikel stelt een verenigd offline RLHF-raamwerk voor pluralistische afstemming voor dat partijspecifieke beloningen gezamenlijk schat onder een laag-rangig lineair model en beleid optimaliseert voor Nash-, utilitaire en egalitaire doelstellingen, terwijl het ook algemene cyclische voorkeuren aanpakt via een pessimistische von Neumann-winnaar, alles met gevestigde niet-asymptotische prestatiegaranties.
Dit reviewpaper behandelt het gebrek aan op maat gemaakte governance voor generatieve AI binnen internationale organisaties door een nieuw kader voor te stellen dat bestaande modellen aanpast aan de unieke, endogene aard van GenAI, waarbij de reikwijdte van governance dynamisch wordt gevormd door gebruikersinteractie in plaats van vast te staan ex ante.
Dit artikel introduceert REASONS, een grootschalige benchmark en een duaal-metrisch raamwerk dat is ontworpen om de betrouwbaarheid van wetenschappelijke citatie-attributie in grote taalmodellen te evalueren en te verbeteren door hallucinatiepercentages af te wegen tegen gepaste onthouding onder variërende bewijsvoorwaarden.
Dit artikel introduceert DeepNcode, een op codering gebaseerde beschermingsmethode die de veerkracht van gekwantiseerde neurale netwerken tegen bit-flip aanvallen aanzienlijk verhoogt door de beschermingsmarge tot 12,4 keer te vergroten met verwaarloosbare tijdsoverhead, zonder vereisten voor hertraining en zonder verlies aan modelnauwkeurigheid.
Dit artikel leidt een policy gradient theorem af voor Cumulative Prospect Theory (CPT) doelstellingen in finite-horizon reinforcement learning en stelt een bewezen convergerend first-order algoritme voor met behulp van Monte Carlo orde statistieken om niet-convexe risico-gevoelige policies te optimaliseren.