4988 papers
Dit artikel presenteert een gated multi-head Transformer-architectuur die een detectiehoofd integreert in een Swin U-Net om valse positieve segmentaties in radiotherapie te onderdrukken door anatomisch ongeldige plakken te filteren, waardoor de nauwkeurigheid en betrouwbaarheid van geautomatiseerde contouring aanzienlijk wordt verbeterd.
Het artikel introduceert UAT-LITE, een framework dat Monte Carlo dropout toepast op de self-attention-mechanismen van voorgeöefende transformers om tijdens de inferentie epistemische onzekerheid te kwantificeren en te gebruiken voor onzekerheidsbewuste routing, wat leidt tot een aanzienlijke verbetering van de kalibratie zonder de bestaande modelgewichten aan te passen.
Dit artikel introduceert WebAccessVL, een visueel-taalmodel dat automatisch HTML-codes aanpast om WCAG2-toegankelijkheidsproblemen op te lossen terwijl het oorspronkelijke ontwerp behouden blijft, wat resulteert in een aanzienlijke reductie van schendingen en een verbeterde visuele consistentie.
Dit paper betoogt dat vertrouwen in chatbots vaak voortkomt uit gedragsmechanismen en cognitieve vooroordelen in plaats van daadwerkelijke betrouwbaarheid, en pleit ervoor deze systemen te zien als geschoolde verkopers in plaats van helpers om de verwarring tussen psychologisch vertrouwen en normatieve betrouwbaarheid op te lossen.
Dit paper introduceert RoSE, een nieuwe methode die monokulaire normaalenschattingsproblemen omvormt tot het schatten van schaduwsequenties via beeld-naar-video-generatieve modellen om zo de veelvoorkomende 3D-misalignatie van bestaande methoden te overwinnen en state-of-the-art resultaten te behalen.
Dit paper introduceert Infusion, een raamwerk dat schaalbare invloedfuncties gebruikt om kleine, subtiel geperturbeerde trainingdata te creëren die doelbewust het gedrag van modellen beïnvloeden, wat aantoont dat zelfs geringe aanpassingen in een klein deel van de dataset systematisch modelgedrag kunnen vormen.
Deze paper introduceert een energiebewust spike-budgeteringskader voor continue learning in spiking neural networks dat, door ervaringen te herhalen en neuronparameters aan te passen, zowel de nauwkeurigheid verbetert als het energieverbruik verlaagt voor zowel frame-gebaseerde als event-gebaseerde neuromorfe visiesystemen.
Het paper introduceert B-DENSE, een nieuw raamwerk dat de inferentie-efficiëntie van diffusiemodellen verbetert door middel van multi-branch trajectalignatie, waardoor een studentmodel dichte tussenstappen van de leraar leert om discretisatiefouten te verminderen en de beeldkwaliteit te verhogen.
Dit artikel bewijst een informatietheoretisch onmogelijkheidstheorema dat aantoont dat klassieke ontologische modellen die beperkt zijn tot het hergebruiken van één enkele ontische toestandsruimte onvermijdelijk een contextuele informatiekost moeten incasseren, waardoor contextualiteit wordt geïdentificeerd als een fundamentele beperking van klassieke representaties die door kwantumtheorie wordt omzeild door deze aanname los te laten.
Dit artikel introduceert een nieuw curriculum-gebaseerd framework voor continu leren dat door het sequentieel ontleden van meerdere onzekerheden en het combineren van modelgebaseerde regeling met diepe versterkingsturing, robuuste besturing van niet-lineaire mechanische systemen mogelijk maakt met succesvolle simulatie-naar-realiteit-overdracht, zoals gedemonstreerd bij actieve trillingsregeling voor auto-aandrijflijnen.
Dit paper introduceert ReDON, een nieuw type optisch neuraal proces met herhaalde, zelfgemoduleerde non-lineariteit dat de beperkingen van statische diffractieve netwerken overwint en aanzienlijk betere prestaties bereikt bij beeldherkenning en segmentatie.
Deze paper introduceert SafeGen-LLM, een veiligheidsgeoriënteerd groot taalmodel dat via een tweestaps trainingsframework (SFT en GRPO) robuuste en generaliseerbare veiligheidsplanning voor robotsystemen mogelijk maakt, zelfs in nieuwe domeinen en met complexe veiligheidsconstraints.
Dit paper introduceert Coupled Discrete Diffusion (CoDD), een hybride framework dat de factorisatiebarrière in diffusie-taalmodellen doorbreekt door een lichtgewicht probabilistische inferentielaag te gebruiken die complexe afhankelijkheden tussen tokens modelleert zonder de prestaties of efficiëntie te schaden.
Het artikel introduceert OrthoAI, een neurosymbolisch raamwerk dat door middel van segmentatie met schaarse supervisie, kennisgebaseerde constraint-inferentie en een multicriteria-evaluatiemodel de brug slaat tussen 3D-geometrische waarneming en klinisch biomechanisch redeneren voor de automatische ondersteuning van beslissingen bij orthodontie met transparante aligners.
Deze paper introduceert een dubbele pijplijn voor de segmentatie van vogelafbeeldingen die foundation-modellen zoals SAM 2.1, Grounding DINO 1.5 en YOLOv11 combineert om zowel zero-shot als gesuperviseerde prestaties te bereiken die alle eerdere benchmarks op de CUB-200-2011-dataset overtreffen.
Pri4R is een effectieve methode die Vision-Language-Action-modellen een impliciet begrip van werelddynamiek bijbrengt door tijdens het trainen gebruik te maken van bevoorrechte 4D-informatie via een lichtgewicht punt-track-head, wat leidt tot aanzienlijk betere prestaties in complexe manipulatietaken zonder extra rekenlast tijdens het gebruik.
Dit paper introduceert \textsc{Gome}, een MLE-agent die gradiëntgebaseerde optimalisatie toepast in plaats van boomzoektechnieken, wat leidt tot state-of-the-art prestaties op MLE-Bench en aantoont dat deze aanpak bij sterkere redeneermodellen steeds effectiever wordt dan traditionele exhaustieve zoekmethodes.
Dit paper introduceert Coordinated Boltzmann MCTS (CB-MCTS), een nieuwe methode die deterministische UCT vervangt door een stochastisch Boltzmann-beleid met een vervagende entropiebonus om Dec-MCTS robuuster te maken in omgevingen met schaarse of scheef verdeelde beloningen.
Dit paper introduceert FinTexTS, een nieuw groot dataset voor gepaarde financiële tekst en tijdreeksen dat gebruikmaakt van een semantisch en meer-niveau koppelingsframework om complexe marktinteracties beter vast te leggen dan bestaande methoden op basis van trefwoorden, wat leidt tot verbeterde voorspellingen van aandelenprijzen.
Dit paper introduceert SPARC, een methode voor gedecentraliseerde multi-robot padplanning die een relationeel versterkt multi-head attention-mechanisme (RMHA) gebruikt om communicatie te optimaliseren op basis van ruimtelijke nabijheid, wat resulteert in aanzienlijk betere prestaties in dichtbevolkte omgevingen vergeleken met bestaande methoden.