16307 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 stelt een Deep Operator Network (DeepONet)-framework voor, verbeterd met residu-leren en een dataggregatiestrategie, om het dynamische transiënte gedrag van synchrone generatoren nauwkeurig te benaderen en te simuleren voor integratie in elektriciteitsnet-simulatoren.
Dit artikel toont aan dat de validiteit van de RemOve-And-Retrain (ROAR) benchmark wordt aangetast omdat post-processing attributiekaarten scores kunstmatig kunnen verbeteren zonder informatie toe te voegen, wat een systematische bias naar ruimtelijk wazige maskers onthult die het vermogen ondermijnt om feature-attributiemethoden accuraat te evalueren.
Prism is een geheugencentrisch LLM co-serving framework dat gebruikmaakt van een nieuwe memory ballooning techniek genaamd kvcached om GPU-geheugen dynamisch terug te winnen en opnieuw toe te wijzen over meerdere modellen, waardoor ruimtelijke en temporele sharing wordt verenigd om de kostenefficiëntie en SLO-naleving in productieomgevingen te verbeteren.
Dit artikel stelt een meta-learning trainingsstrategie voor die gebruikmaakt van gecureerde, kleinschalige, domeinspecifieke datasets om de in-context generalisatie van transformers te verbeteren, waarbij wordt aangetoond dat deze aanpak prestaties bereikt die vergelijkbaar zijn met grootschalige training, terwijl het superieure datakwaliteit, modulariteit en robuustheid tegen vergeten biedt.
Dit artikel toont aan dat grote taalmodellen van nature hiërarchische emotiestructuren ontwikkelen die overeenkomen met de menselijke psychologie, terwijl ze tegelijkertijd systematische vooroordelen in emotieherkenning onthullen die ondervertegenwoordigde groepen onevenredig hard treffen.
Het artikel introduceert KG-ER, een conceptuele schemataal die is ontworpen om de structuur en semantiek van kennisgrafen te definiëren, onafhankelijk van hun specifieke onderliggende datarepresentaties.
Het artikel introduceert GetNetUPAM, een ecologisch geïnformeerd genest cross-validatiekader gekoppeld aan een ruisbestendige aandacht-gebaseerde CNN (ARPA-N), om de generalisatie en betrouwbaarheid van mariene bioakoestische monitoring aanzienlijk te verbeteren door effectief hoog-ruisige condities aan te pakken en overfitting op gelokaliseerde omgevingsartefacten te voorkomen.
Het artikel stelt CuMA voor, een demografisch bewuste Mixture of Adapters-framework die "Mean Collapse" in Large Language Models mitigeert door conflicterende culturele gradiënten te ontrafelen in gespecialiseerde expert-subruimten, waardoor het een state-of-the-art prestatie bereikt in het afstemmen van modellen op diverse culturele waarden.
Dit artikel presenteert een systematische mixed-methods studie naar door LLM's bemiddelde waarzeggerij binnen de Chinese Xuanxue-cultuur, die onthult hoe gebruikers AI inzetten voor pragmatische begeleiding via collaboratieve prompt engineering en bevestigingsvooroordeel, terwijl professionele waarzeggers de spirituele geldigheid ervan verwerpen, wat uiteindelijk de traditionele waarzeggersautoriteit hervormt door middel van schaalbare, herhaalbare en co-geproduceerde praktijken.
Het artikel introduceert GeoDial, een multimodale dataset van meer dan 1.300 leraar-leerling geometrie-dialogen met diagram-highlights, en demonstreert dat hoewel het finetunen van vision-language modellen de tutoring-dialooggeneratie verbetert, het momenteel faalt in het accuraat produceren van de noodzakelijke visuele diagram-highlights.