2384 papers
RedFuser is een automatisch framework dat cascaderende reductie-operaties in AI-modellen efficiënt samenvoegt tot een enkele lus, waardoor een snelheidsverhoging van 2 tot 5 keer wordt bereikt ten opzichte van bestaande compilers.
Dit artikel introduceert een governance- en evaluatiekader voor deterministische, regelgebaseerde klinische besluitvormingssystemen bij empirisch antibioticumvoorschrijven, dat transparantie, auditbaarheid en conservatief gedrag waarborgt door expliciete abstentievoorwaarden en een validatiemethode op basis van synthetische casussen te definiëren.
Dit artikel analyseert de juridische uitdagingen bij het identificeren van AI-agenten en stelt de 'Algoritmische Corporatie' (A-corp) voor als een juridisch fictief entiteit dat zowel de aansprakelijkheid van menselijke eigenaren als de autonome identiteit van AI-systemen oplost door deze te structureren als zelforganiserende, doelgerichte eenheden.
Dit paper introduceert dmaplane, een Linux-kernmodule die buffer-orkestratie voor AI-datastromen expliciet maakt via een stabiele kernel-gebruikersinterface, en daarmee functies zoals NUMA-bewuste toewijzing, DMA-bufferbeheer en RDMA-gebaseerde gedistribueerde inferentie mogelijk maakt.
Deze studie presenteert een uitgebreide benchmark van LLM-inferentie op AMD Instinct MI325X-GPU's, waarbij wordt aangetoond dat architectuurbewuste optimalisaties, zoals het selectief toepassen van de AITER-runtime en het aanpassen van blokgroottes, essentieel zijn voor het maximaliseren van de doorvoer en stabiliteit van diverse modelarchitecturen.
Dit paper introduceert HTM-EAR, een hiërarchisch tiered memory-systeem dat HNSW-based werkgeheugen combineert met archiefopslag en hybride routing om essentiële informatie te behouden en verouderde data te vergeten onder extreme contextbeperkingen, wat leidt tot een significante verbetering in zoekprecisie vergeleken met traditionele LRU-mechanismen.
Deze paper introduceert een nieuw benchmarkkader dat de prestaties van graf-foundationmodellen evalueert op zowel semantische als representatieve verschuivingen, waardoor een dieper inzicht wordt verkregen in hun generalisatievermogen over verschillende domeinen en formaten.
Dit paper introduceert Flip-Agent, het eerste framework voor gerichte bit-flip-aanvallen dat hardwarefouten benut om niet alleen de uiteindelijke output, maar ook de tool-uitvoeringen van LLM-gebaseerde agenten te manipuleren, waardoor een nieuwe kwetsbaarheid in deze systemen wordt blootgelegd.
Dit paper introduceert AMB-DSGDN, een adaptief netwerk dat multimodale emotionele herkenning verbetert door dynamische semantische grafdifferentiatie te gebruiken voor het filteren van ruis en een evenwichtsmechanisme om te voorkomen dat dominante modaliteiten de bijdrage van andere modaliteiten onderdrukken.
Deze studie toont aan dat de manier waarop veiligheidsbenchmarks worden opgesteld (met name het gebruik van open-ended versus meerkeuzevragen) een grotere invloed heeft op de gemeten veiligheid van taalmodellen dan de specifieke architectuur van de scaffolding, en dat veiligheidsrangschikkingen sterk variëren afhankelijk van de gebruikte benchmark, waardoor universele claims over modelveiligheid onbetrouwbaar zijn.
Dit artikel introduceert een parameter-efficiënt continu leerframework voor menselijke activiteitsherkenning dat door middel van kanaal-gewijze gatenmodulatie van bevroren pretrained representaties de balans tussen plasticiteit en stabiliteit verbetert, waardoor het vergeten van eerdere taken aanzienlijk wordt verminderd zonder dat er replay-buffers nodig zijn.
Dit paper introduceert en evalueert vijf prompt-engineeringstrategieën om hallucinaties in industriële LLM-toepassingen te verminderen, waarbij de 'Enhanced Data Registry'-methode (M4) de meest consistente resultaten boekte en een geoptimaliseerde versie van de 'Decomposed Model-Agnostic Prompting'-methode (M2) de grootste verbetering liet zien.
Dit paper introduceert eXplicit Sharpness-Aware Minimization (XSAM), een verbeterde implementatie die de beperkingen van de bestaande SAM-methode overwint door de richting van het maximum expliciet te schatten en een effectieve zoekruimte te creëren, wat resulteert in consistente prestatieverbeteringen met verwaarloosbare rekenkosten.
Dit paper introduceert InFusionLayer, een open-source Python-tool die Combinatorial Fusion Analysis (CFA) technieken, zoals de RSC-functie en cognitieve diversiteit, integreert in een ensemble-leerarchitectuur om de prestaties van multiclassificatieproblemen te verbeteren en compatibel is met PyTorch, TensorFlow en Scikit-learn.
Deze paper introduceert FlowSem-MAE, een protocol-natief tabulair pretrainingsparadigma dat de inductieve bias-mismatch van bestaande byte-sequentiemethoden oplost door protocolsemantiek te respecteren, waardoor het encrypted traffic classificatie aanzienlijk verbetert met slechts de helft van de gelabelde data.
Dit onderzoek toont aan dat het voorpre-trainen van grote taalmodellen op synthetische, niet-taalgebonden data gegenereerd door neurale cellulaire automaten de prestaties en convergentie significant verbetert, zelfs ten opzichte van veel grotere hoeveelheden natuurlijk taaldata.
Dit artikel introduceert Agentic AIBOMs, een uitbreiding van traditionele SBOMs met een multi-agent architectuur die dynamische runtime-gedragingen en kwetsbaarheidscontext vastlegt om reproduceerbaarheid en exploitatiebeoordeling te verbeteren.
Het paper introduceert NabaOS, een lichtgewicht verificatiekader dat, geïnspireerd door de Indiase Nyaya Shastra-epistemologie, gebruikmaakt van HMAC-gesigneerde tool-ontvangstbewijzen in plaats van zware zero-knowledge-bewijzen om hallucinaties van AI-agenten in real-time met minimale latentie te detecteren.
Dit position paper presenteert een computerarchitectuurperspectief op multi-agent geheugen door een drie-laags hiërarchie en protocollen voor consistentie te definiëren als cruciale stappen voor schaalbare, betrouwbare systemen.
Dit artikel introduceert en bewijst de optimaliteit van de Epistemische Ondersteuningspunt-filter (ESPF), een uniek filter dat Jaynes' maximum-entropieprincipe voor propagatie combineert met Popperiaanse falsificatie voor updates om de ergste-case epistemische onwetendheid te minimaliseren zonder gebruik te maken van a-priori-kansen.