5441 papers
Dit artikel presenteert een door kunstmatige intelligentie en machine learning aangedreven, datagestuurde aanpak om de spectrumvraag nauwkeurig te schatten aan de hand van licentie- en crowdsourced-data, wat beleidsmakers helpt bij een efficiëntere toewijzing van spectrumresources.
Dit paper introduceert ACADiff, een adaptief latent diffusion-framework dat ontbrekende multimodale hersenbeelden synthetiseert door klinische metadata en beschikbare beeldvorming te integreren, waardoor de diagnose van de ziekte van Alzheimer ook bij extreme data-ontbrekingen robuust blijft.
Dit artikel presenteert een datagedreven methode die gebruikmaakt van ruimtelijke analyse en machine learning om variaties in spectrumvraag te schatten en de belangrijkste drijvende krachten te identificeren, waarmee beleidsmakers beter kunnen inspelen op de eisen van toekomstige 6G-netwerken.
PathMem is een op geheugen gericht multimodaal framework dat, geïnspireerd door het hiërarchische geheugen van menselijke pathologen, gestructureerde domeinkennis integreert om de diagnose- en rapportageprestaties van pathologie-MLLMs aanzienlijk te verbeteren.
Deze paper introduceert k-MTR, een end-to-end multi-task framework dat directe diagnostische analyses van het hart uitvoert op basis van onderbemonsterde k-ruimte-data, waardoor de traditionele en foutgevoelige stap van beeldherstel wordt omzeild.
Dit onderzoek toont aan dat vertrouwen gebaseerde afweging in gerangschikte beslissingssystemen alleen monotoon de kwaliteit verbetert bij structurele onzekerheid, terwijl het bij contextuele onzekerheid faalt en daarom een diagnose van het onzekerheidstype vereist voor effectieve implementatie.
Dit artikel introduceert de Overfitting-Underfitting Indicator (OUI) als een efficiënt, vroeg signaal dat op basis van neuronale activatiepatronen al na 10% van de training succesvolle leerstappen in PPO-actor-critic modellen kan onderscheiden van instabiele of suboptimale configuraties.
Dit paper introduceert neurale debuggers, taalmodellen die traditionele debuggers nabootsen door interactieve controle over Python-uitvoering te bieden, waardoor zowel voorwaartse als achterwaartse uitvoeringsvoorspelling mogelijk wordt en de basis wordt gelegd voor geavanceerde agentische coderingssystemen.
In tegenstelling tot mensen, die bij nadenken minder eerlijk worden, blijkt dat redenering bij grote taalmodellen de eerlijkheid verhoogt doordat het proces de modellen door een vertegenwoordigingsruimte leidt waar eerlijke antwoorden stabieler zijn dan leugenachtige.
Dit paper introduceert BEACON, een methode die taalgeconditioneerde navigatie onder obstructie verbetert door in plaats van 2D-beeldvoorspellingen een vogelvluchtaanzicht (BEV) van toegankelijkheidskansen te genereren die ook verborgen gebieden omvat, wat resulteert in een aanzienlijke prestatieverbetering ten opzichte van bestaande beeldgebaseerde methoden.
Dit onderzoek breidt het bijenmodel voor zwermbesluitvorming uit tot een agent-gebaseerd simulatiemodel waarin emotionele valentie en opwinding interactiepatronen moduleren, waardoor zowel emotionele asymmetrieën als structurele kantelpunten de snelheid en uitkomst van collectieve consensus beïnvloeden.
Deze studie toont aan dat een door een groot taalmodel aangedreven 'zichtgeleider' blinden en slechtzienden in virtuele realiteit niet alleen als hulpmiddel, maar in sociale situaties ook als metgezel wordt ervaren, wat leidt tot specifieke ontwerpaanbevelingen voor toekomstige toegankelijkheidsoplossingen.
Dit paper introduceert Bag-of-Words Superposition (BOWS) om aan te tonen dat in realistische scenario's met gecorreleerde features, superpositie constructieve interferentie kan genereren die semantische clusters en cyclische structuren vormt, in plaats van dat interferentie uitsluitend als ruis moet worden gefilterd zoals in het standaardbeeld van superpositie wordt aangenomen.
In dit paper presenteren de auteurs twee online neurale netwerkbenaderingen voor het detecteren van veranderingen in tijdsreeksen die lineaire computationele complexiteit hebben, sneller convergeren naar optimale oplossingen en beter presteren dan bestaande methoden op zowel synthetische als real-world datasets.
Dit artikel biedt een overzicht van de literatuur over geautomatiseerd versterkend leren (AutoRL), inclusief recente LLM-technieken, en bespreekt de uitdagingen, open vragen en toekomstige onderzoeksrichtingen op dit gebied.
In dit artikel wordt een nieuw, uitlegbaar model voorgesteld dat data-onzekerheid direct verwerkt om onzekere astronomische tijdsreeksen met een vergelijkbare nauwkeurigheid als state-of-the-art methoden te classificeren, terwijl het tegelijkertijd inzicht biedt in de onderliggende lichtkromme-eigenschappen.
Dit artikel biedt een overzicht van de recente ontwikkelingen in grote taalmodellen (LLM's) door hun achtergrond, kernbevindingen en hoofdtechnieken te bespreken, met name gericht op pre-training, aanpassing, toepassing en evaluatie, terwijl het ook beschikbare bronnen en toekomstige uitdagingen samenvat.
Dit artikel biedt een overzicht van cognitieve modellering in robotica op basis van utiliteitstheorie, waarbij de evolutie van gedragsgebaseerde robotica naar waardenystemen wordt besproken en de toepassing daarvan in enkel- en multi-agent systemen, vertrouwen en mens-robotinteractie wordt geanalyseerd, om tenslotte veelbelovende onderzoeksrichtingen en open problemen te identificeren.
Dit paper presenteert een loopgebaseerd algoritme voor het online, conflictvrije plannen en routeren van AGV's in ophalings- en bezorgsystemen, dat experimenteel aantoont dat het andere methoden overtreft of even goede resultaten levert in minder rekentijd.
Dit artikel introduceert Agent-OM, een nieuw raamwerk dat LLM-agenten inzet voor het oplossen van semantische heterogeniteit tussen ontologieën en dat, zoals aangetoond door evaluaties op OAEI-benchmarks, uitstekende prestaties levert op zowel eenvoudige als complexe matching-taken.