4756 papers
Deze paper introduceert een lichtgewicht hybride framework dat grafische aandacht en grote taalmodellen combineert om een hoogpresterende Amazons-spel-AI te creëren die onder strikte rekenkrachtbeperkingen de prestaties van zijn basismodel overtreft door gebruik te maken van synthetische data en structurele filtering.
Dit paper introduceert IH-Challenge, een reinforcement learning-dataset die de instructiehiërarchie van frontier LLMs verbetert, waardoor de weerbaarheid tegen jailbreaks en prompt-injecties aanzienlijk toeneemt zonder de nuttigheid van het model te verminderen.
Dit artikel presenteert een multi-agent reinforcement learning-framework dat gebruikmaakt van Proximal Policy Optimization om UAV-vloten te coördineren voor tijdskritieke medische leveringen in dynamische omgevingen, waarbij experimenten met real-world data aantonen dat klassieke PPO-uitvoeringen superieure prestaties leveren ten opzichte van asynchrone en sequentiële strategieën.
Dit onderzoek evalueert de gevoeligheid van elf promptbare foundation modellen voor de segmentatie van musculoskeletale CT-beelden en concludeert dat de prestaties sterk variëren afhankelijk van de prompting-strategie en anatomische structuur, waarbij de prestaties met menselijke prompts lager zijn dan die met ideale prompts, wat de selectie van het meest geschikte model voor klinische toepassingen bemoeilijkt.
Het paper introduceert SCORE, een efficiënt alternatief voor klassieke laagstapeling dat door het herhaald toepassen van een gedeeld neuronaal blok met contractieve ODE-geïnspireerde updates, de convergentie versnelt en het parameteraantal verlaagt zonder ingewikkelde ODE-oplossers.
Dit artikel introduceert een taalgeleid raamwerk voor cognitieve defectanalyse in actieve infraroodthermografie van CFK-materialen, dat gebruikmaakt van vooraf getrainde vision-language modellen en een lichte adapter om zero-shot defectdetectie mogelijk te maken zonder uitgebreide trainingsdatasets.
Dit artikel introduceert een nieuw zelf-finetuning framework dat generatieve AI-agenten in staat stelt om zonder handgemaakte beloningen continu te leren door ervaringen in hun parameters te distilleren, wat resulteert in superieure prestaties bij het dynamisch slice-beheer van Radio Access Networks (RAN) vergeleken met bestaande methoden.
Dit onderzoek presenteert CUAAudit, een meta-evaluatie van vijf Vision-Language Models als auditors voor autonome computergebruiksagenten, waarbij wordt geconcludeerd dat hoewel deze modellen veelbelovend zijn, ze aanzienlijke beperkingen vertonen in complexere omgevingen en aanzienlijke onenigheid tonen in hun beoordelingen, wat de noodzaak benadrukt om evaluatorbetrouwbaarheid en onzekerheid expliciet te adresseren bij de implementatie van dergelijke agenten.
Deze empirische studie toont aan dat LLM-afstemming op morele redenering geen diversiteitsbevorderende algoritmen vereist, omdat standaard RLVR-methode voor beloningsmaximalisatie even effectief zijn dankzij de geconcentreerde aard van hoogwaardige morele antwoorden.
Dit paper introduceert het 'Gradient Flow Drifting'-framework, dat wiskundig aantoont dat het recente Drifting-model equivalent is aan een Wasserstijn-gradiëntstroom voor de forward KL-divergentie onder KDE-approximatie, en biedt een theoretisch onderbouwde strategie voor het combineren van divergenties om zowel modusinstorting als modusvervaging te voorkomen.
Deze paper introduceert het Progressive Retrospective Framework (PRF), een plug-and-play methode die variabele lengte trajectvoorspelling verbetert door een cascade van retrospectieve eenheden te gebruiken om features van onvolledige observaties geleidelijk af te stemmen op die van volledige observaties.
Deze paper introduceert een nieuw kader dat agenttrajecties analyseert om gestructureerde, contextuele leermomenten te genereren en op te halen, waardoor zelfverbeterende LLM-agenten hun prestaties aanzienlijk verbeteren door fouten te vermijden en succesvolle strategieën toe te passen.
Dit artikel introduceert Conditional Expectation Reward (CER), een methode die grote taalmodellen gebruikt als impliciete verifiers om versterkingslering met verifieerbare beloningen uit te breiden naar domeinen met vrije antwoorden door een zachte, graduele beloning te bieden op basis van de waarschijnlijkheid van het genereren van een referentieantwoord.
Dit paper presenteert een nieuwe, verklaarbare aanpak om neurale netwerk-backdoors te detecteren en te elimineren door middel van actieve paden, met succesvolle experimenten in het domein van inbraakdetectie.
Deze paper introduceert een innovatief raamwerk voor het intermitterend plannen van taken en bewegingen dat door middel van een incrementele leerlus symbolische feedback van bewegingsplanners gebruikt om een bestaande planner te sturen naar haalbare oplossingen voor multi-object navigatie in gedeelde werkruimtes.
Deze paper introduceert ROVA, een trainingsframework dat de robuustheid van video-redeneringsmodellen tegen realistische verstoringen verbetert door middel van een bewustzijn voor moeilijkheidsgraad en consistentiebeloningen, en presenteert PVRBench als een nieuwe benchmark om deze prestaties te evalueren.
Dit paper introduceert FAME, een nieuwe methode voor formele abstracte minimale verklaringen van neurale netwerken die via geavanceerde perturbatiedomeinen en LiRPA-bounds schaalbaar is naar grote netwerken terwijl het de grootte van de verklaringen verkleint en de kwaliteit kwantificeert.
Het paper introduceert DxEvolve, een zelfevoluerend diagnostisch agent dat de kloof tussen klinische cognitie en huidige AI-systemen dicht door interactieve onderzoekswerkflows te gebruiken voor het autonomisch aanvragen van onderzoeken en het omzetten van ervaring in een beheersbaar leermiddel, wat resulteert in een significante verbetering van de diagnoseprecisie.
Dit artikel introduceert een platformonafhankelijk raamwerk voor digitaal mensmodelleer dat multimodale fysiologische sensoren (zoals EEG en EMG) en een reproduceerbare game-omgeving integreert om gestructureerde, tijdsgesynchroniseerde data te leveren voor toekomstige ethisch goedgekeurde AI-onderzoek naar toegankelijkheid en inclusie, zonder zelf AI-modellen of menselijke proefpersonen te gebruiken.
Dit paper introduceert Contract And Conquer (CAC), een methode die via kennisdistillatie en een bewezen overdraagbaarheidsgarantie het zoekruimte voor adversariële voorbeelden in een black-box model contracteert om zo binnen een vast aantal iteraties een gegarandeerd adversariaal voorbeeld te vinden.