6574 papers
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.
Dit artikel biedt een survey van Computerized Adaptive Testing (CAT) vanuit een machine learning-perspectief, waarbij wordt onderzocht hoe deze technieken de meetmodellen, vraagselectie, bankconstructie en testbeheer kunnen optimaliseren om robuustere, eerlijkere en efficiëntere adaptieve testsystemen te ontwikkelen.
Dit paper introduceert FEX, een nieuw framework dat attributie-gebaseerde uitleggen via waarschijnlijkheidsverdelingen en policy gradient-optimalisatie mogelijk maakt, waardoor de inferentietijd met meer dan 97% en het geheugengebruik met 70% wordt gereduceerd ten opzichte van traditionele model-onafhankelijke methoden, terwijl de kwaliteit en toepasbaarheid behouden blijven.
Dit paper identificeert en analyseert een 'corruptiestadium' tijdens het few-shot fine-tunen van diffusiemodellen, waarbij beeldkwaliteit tijdelijk verslechtert door een versmalde leerverdeling, en lost dit op door Bayesiaanse neurale netwerken toe te passen om de distributie te verbreden en zo de beeldkwaliteit, diversiteit en trouw te verbeteren zonder extra inferentiekosten.
Dit paper introduceert LAMBDA, een open-source, codevrij multi-agent systeem dat grote taalmodellen gebruikt om data-analyse te stroomlijnen via een samenwerking tussen programmeur- en inspecteur-agenten, met ondersteuning voor menselijke ingrepen en externe kennisintegratie.
Dit paper introduceert OTAD, een robuust model dat optimale transporttheorie combineert met convex integratie om Deep Neural Networks zowel nauwkeurig te laten trainen als gegarandeerd lokaal Lipschitz-continu te houden, waardoor ze beter bestand zijn tegen agnostische adversarial attacks dan bestaande methoden.
Deze paper introduceert een efficiënt variational learning-algoritme voor Gaussian Process Latent Variable Models dat Annealed Importance Sampling combineert met reparameterisatie om de beperkingen van bestaande methoden in complexe, hoogdimensionale ruimtes te overwinnen en superieure prestaties te leveren.
Dit paper introduceert MLVAS, een multimodaal systeem dat audio- en videostroboscopische data combineert om automatische segmentatie, kenmerkextractie en objectieve visualisatie te bieden voor de ondersteunde diagnose van stembandverlamming.
Dit paper onderzoekt hoe kunstmatige intelligentie de softwaretestprocessen transformeert door geautomatiseerde testcasegenereering en validatie mogelijk te maken, wat leidt tot hogere efficiëntie, nauwkeurigheid en schaalbaarheid, terwijl het ook de uitdagingen rondom datakwaliteit, transparantie en de balans tussen automatisering en menselijk toezicht adresseert.
Deze paper weerlegt de vaak te optimistische aannames over de energie-efficiëntie van spiking neural networks door een rigoureuze vergelijking met kwantiseerde neurale netwerken te maken en aantoont dat SNNs alleen onder specifieke voorwaarden, zoals een lage spierate, daadwerkelijk energiebesparend zijn, wat kan leiden tot een verdubbeling van de batterijduur van apparaten zoals smartwatches.
Dit artikel introduceert een nieuw model voor gekoppelde oscillator-netwerken dat de wiskundige structuur van fysische systemen behoudt en globale stabiliteit garandeert, waardoor effectieve modelgebaseerde regeling in een latente ruimte mogelijk wordt, zelfs wanneer alleen ruwe beelden als feedback worden gebruikt.
Dit paper introduceert BNEM, een geavanceerde Boltzmann-sampler die op basis van bootstrapping en noised energy matching neural networks traint om energie-functies te leren voor het genereren van robuuste en state-of-the-art onafhankelijke steekproeven zonder vooraf bestaande data.
Dit paper introduceert PiVOT, een nieuwe visuele prompting-methode voor generiek objecttracking die een voorgeïmplementerd fundamenteel model (CLIP) gebruikt om online visuele prompts te genereren en te verfijnen, waardoor het tracker-model beter in staat is om storende objecten te onderdrukken en de prestaties te verbeteren.
Deze paper introduceert Neural Delay Differential Equations (NDDEs), een continu-tijd framework dat geïnspireerd is op het Mori-Zwanzig formalisme en effectief niet-Markoviaanse dynamica leert uit gedeeltelijk waarneembare data door geheugeneffecten te modelleren via tijdvertragingen.
Dit paper introduceert Puppet-CNN, een raamwerk dat convolutieparameters modelleert als een continu dynamisch systeem bestuurd door een neurale ODE, waardoor het aantal effectieve lagen input-adaptief kan worden aangepast en het aantal op te slaan trainbare parameters aanzienlijk wordt gereduceerd.
Deze paper introduceert een raamwerk voor diffusiemodellen dat de generatiedynamiek aanpast aan de complexiteit van elk individueel voorbeeld, waardoor het aantal benodigde steekproefstappen wordt verminderd zonder in te leveren op de kwaliteit.