4724 papers
Dit onderzoek introduceert het concept van 'reactief schrijven', waarbij schrijvers door AI-suggesties worden geleid naar een evaluatie-georiënteerde schrijfstijl die hun eigen ideatie verdringt en onbewust hun opvattingen beïnvloedt, terwijl ze toch het gevoel behouden dat ze volledige controle houden.
Dit artikel introduceert Causal Concept Graphs, een methode die sparse autoencoders en differentieerbare structuurlerning combineert om causale relaties tussen concepten in de latent ruimte van taalmodellen te visualiseren en te manipuleren voor verbeterde stapsgewijze redenering, wat resulteert in een significant hogere Causal Fidelity Score dan bestaande technieken.
Dit paper introduceert een nieuwe schaalwet voor Mixture-of-Experts-modellen die een optimale machtsverhouding tussen expert- en attentie-berekeningen definieert, waardoor efficiëntere modelontwerpen mogelijk zijn binnen vaste rekenbudgetten.
Het artikel introduceert TRACED, een raamwerk dat de redeneerkwaliteit van taalmodellen analyseert via geometrische kinematica, waarbij correcte redenering wordt gekenmerkt door stabiele voortgang en hallucinaties door onstabiele patronen met hoge kromming.
Dit artikel presenteert een nieuw probabilistisch veiligheidskader voor mens-robotinteractie dat controlebarrièrefuncties combineert met conformale risicobesturing om formele veiligheidsgaranties te bieden en botsingen te verminderen zonder de taakprestaties te beïnvloeden.
Deze paper introduceert nieuwe prompt-technieken gebaseerd op onnauwkeurige kansen om de hogere-orde onzekerheid van grote taalmodellen beter te kwantificeren en zo hun betrouwbaarheid in complexe scenario's te vergroten.
Dit paper analyseert de leer-dynamiek van twee-laags lineaire netwerken getraind met labelruis-SGD en onthult een tweefasig proces waarbij de ruis de overgang van het 'lazy' naar het 'rich' regime drijft, wat de verbeterde generalisatie empirisch verklaart.
Deze paper introduceert PP-LUCB, een efficiënt algoritme dat de beste serviceconfiguratie identificeert door goedkope, maar bevooroordeelde LLM-gebaseerde scores te combineren met strategisch ingekochte dure menselijke audits, waardoor de auditkosten met 90% worden verlaagd terwijl de nauwkeurigheid behouden blijft.
Deze paper introduceert STemDist, de eerste dataset-distillatiemethode die specifiek is ontworpen voor spatio-temporale voorspelling door zowel de ruimtelijke als temporale dimensies te comprimeren, wat resulteert in aanzienlijk snellere training, lager geheugengebruik en hogere voorspellingsnauwkeurigheid.
Deze paper presenteert een nieuw meervoudig ensemble-afweermechanisme, bestaande uit een stapelclassificatie en een auto-encoder aangevuld met adversarial training, dat de robuustheid van ML-gebaseerde Netwerk Intrusie Detectiesystemen (NIDS) tegen GAN- en FGSM-gebaseerde adversariale aanvallen significant verhoogt op de UNSW-NB15 en NSL-KDD datasets.
Dit artikel introduceert een domeinadaptief raamwerk met gedegradeerde-stadia gesynchroniseerde bemonstering en een kruis-domein gealigneerde grote autoencoder om de prestaties van gezondheidsindicatoren voor prognostiek en gezondheidsbeheer aanzienlijk te verbeteren door distributiemismatches en beperkingen in het vastleggen van lange-termijn tijdsafhankelijkheden aan te pakken.
Dit paper toont aan dat het verwijderen van een coherent gemiddelde bias in FP4-gequantiseerde LLM-training de numerieke stabiliteit aanzienlijk verbetert en de prestaties herstelt door de dynamische bereikinflatie veroorzaakt door anisotropie te elimineren.
Dit paper introduceert FAR-Dex, een hiërarchisch framework dat few-shot data-augmentatie en adaptieve residu-refinement combineert om robuuste en precieze coördinatie tussen robotarmen en dexterous handen te bereiken, zelfs bij een beperkt aantal demonstraties.
Dit paper introduceert UniPINN, een unified framework voor Physics-Informed Neural Networks dat door middel van een gedeelde-specialistische architectuur, cross-flow attention en dynamische gewichtsallocatie effectief multi-task learning voor diverse Navier-Stokes vergelijkingen mogelijk maakt, waardoor negatieve transfer wordt tegengegaan en de voorspellingsnauwkeurigheid wordt verbeterd.
Het paper introduceert G-STAR, een end-to-end systeem dat een tijdbewuste spreker-trackingmodule koppelt aan een Speech-LLM-transcriptiebackbone om tijdgestempelde, spreker-gelabelde transcripties te genereren voor lange, multi-partij gesprekken met overlappingen, terwijl het de consistentie van sprekeridentiteiten op vergaderingsniveau behoudt.
Deze paper presenteert een unificerend kader voor nieuwsaanbevelingen dat zowel lange-termijnvoorkeuren als korte-termijndynamieken modelleert door gebruik te maken van een globale interactiegrafiek en lokale, tijdsgebonden subgrafieken, wat resulteert in nauwkeurigere en actueelere aanbevelingen dan bestaande methoden.
Deze paper introduceert SearchLLM, het eerste grote taalmodel voor open-ended generatieve zoekopdrachten dat wordt getraind met een hiërarchisch beloningssysteem en GRPO om robuuste, veilige en op gebruikersvoorkeuren afgestemde antwoorden te genereren, wat resulteerde in verbeterde kwaliteit en betrokkenheid in de AI-zoekfunctie van RedNote.
Dit paper introduceert een multi-agent onderhandelingsframework dat grote taalmodellen traint om collectieve waarden te aligneren en conflicten op te lossen via zelfspel en RLAIF, zonder in te leveren op algemene taalvaardigheden.
Dit artikel introduceert JEDI, een hiërarchisch model dat neurale dynamica over verschillende taken en contexten heen analyseert door een gedeelde inbeddingsruimte te leren, waardoor robuuste en schaalbare inzichten in hersenmechanismen mogelijk worden vanuit beperkte experimentele data.
Dit onderzoek toont aan dat de naïeve blootstelling van generatieve AI-vaardigheden via chatbots de effectiviteit van deepfake-detectie fundamenteel ondermijnt, omdat deze systemen onbedoeld authenticiteitscriteria onthullen die door niet-experts kunnen worden gebruikt om gemanipuleerde beelden te verfijnen en zo detectie te omzeilen.