6918 papers
Dit artikel introduceert Sparse Isotonic Shapley Regression (SISR), een geünificeerd raamwerk dat monotoon transformatie en sparsiteit combineert om de beperkingen van traditionele Shapley-waarden bij niet-lineaire afhankelijkheden en hoge dimensionaliteit te overwinnen en zo nauwkeurigere, stabielere en efficiëntere verklaringen voor AI-modellen te bieden.
Dit paper introduceert de Parallel Decoder Transformer (PDT), een architectuur die parallelle tekstgeneratie mogelijk maakt door een gefreezeerde decoder te verrijken met een planner-gestuurde latente werkruimte en een gesynchroniseerd multi-stream protocol voor interne coördinatie zonder externe orchestration.
Deze paper introduceert MaGRoad, een padgerichte methode voor robuuste extractie van wegnetwerken in off-road omgevingen, en presenteert tegelijkertijd het WildRoad-dataset om de bestaande beperkingen van bestaande modellen op te lossen.
Dit artikel introduceert SALVE, een unificerend raamwerk dat mechanische interpreteerbaarheid en modelbewerking combineert door middel van een sparse autoencoder en Grad-FAM om neurale netwerken te ontdekken, valideren en permanent te controleren via precisie-ingrepen in de gewichtenruimte.
Deze survey biedt een overzicht van de adaptatie van agenten op basis van grote taalmodellen na het vooraf trainen, waarbij een vierparadigmatisch raamwerk wordt gebruikt om methoden voor post-training, adaptief geheugen en vaardigheden te structureren, vergelijken en evalueren.
Dit paper introduceert LaMer, een Meta-RL-framework dat grote taalmodelagenten in staat stelt om actief te exploreren en zich zonder gradiëntupdates aan te passen aan omgevingsfeedback, wat leidt tot aanzienlijke prestatieverbeteringen en betere generalisatie vergeleken met traditionele RL-baselines.
Dit paper introduceert Re-Depth Anything, een testtijd-framework dat monokulaire diepsschatting verbetert door foundation modellen te combineren met grote 2D-diffusiemodellen via zelftoezicht op basis van hersynthese van belichting en Shape-from-Shading, zonder labels te vereisen.
Deze studie toont aan dat reasoning-modellen in Text-to-SQL-systemen op Google BigQuery 44,5% minder data verwerken en kosten-effectiever zijn dan niet-reasoning-modellen, terwijl snellere uitvoering niet noodzakelijk leidt tot lagere cloud-kosten door grote variatie in query-inefficiëntie.
Deze paper introduceert NeuroSPICE, een framework voor physics-informed neural networks dat circuitvergelijkingen oplost via backpropagatie om zo flexibele surrogate-modellen te bieden voor het simuleren van complexe en opkomende apparaten zoals ferro-elektrische geheugens.
Dit artikel introduceert het Conservation-Congruent Encoding (CCE)-framework, een substraat-neutraal fysiek model dat intelligentie en bewustzijn beschrijft als processen waarbij open systemen door irreversibele overgangen en dissipatie informatie verwerken, waardoor een verenigde link wordt gelegd tussen thermodynamica, kwantummeting en de geometrie van de ruimtetijd.
Deze studie introduceert een operationeel veiligheidsgericht evaluatiekader voor stroomnetvoorspelling dat de tekortkomingen van traditionele nauwkeurigheidsmetrieken blootlegt en aantoont dat, hoewel state-space modellen en geavanceerde weather-fusie strategieën de betrouwbaarheid verbeteren, probabilistische kalibratie zonder expliciete bias-beperkingen kan leiden tot onveilige "schijnveiligheid" door systematische overvoorspelling.
Dit paper introduceert DrivingGen, het eerste uitgebreide benchmarkkader voor generatieve wereldmodellen in autonoom rijden, dat een diverse dataset en nieuwe meetmaten combineert om de prestaties van bestaande modellen op het gebied van visuele realisme, trajectplausibiliteit, temporele coherentie en controleerbaarheid te evalueren.
Dit paper introduceert Batch-of-Thought (BoT), een trainingsvrije methode die de redeneervermogens van grote taalmodellen verbetert door gerelateerde queries gezamenlijk te verwerken voor kruisinstanceleer, wat resulteert in hogere nauwkeurigheid, betere kalibratie en aanzienlijke kostenreductie.
Het NC-Bench-paper introduceert een nieuw, theorieonderbouwd benchmarkkader dat zich richt op de vorm en structuur van natuurlijke gesprekken in plaats van inhoud, en waarmee de conversatievaardigheden van grote taalmodellen worden geëvalueerd via drie sets die basispatronen, RAG-integratie en complexe verzoeken testen.
Dit onderzoek onthult dat de LAION-Aesthetics Predictor, een veelgebruikt model voor het beoordelen van beeldkwaliteit, systematische vooroordelen vertoont die de westerse en mannelijke blik versterken door afbeeldingen met vrouwelijke of niet-westerse elementen te discrimineren, en pleit voor een verschuiving naar meer pluriforme evaluatiemethoden.
Dit paper introduceert een veiligheidsarchitectuur voor Computer Use Agents die prompt-injectie-aanvallen voorkomt door een vertrouwd 'Single-Shot' planner te gebruiken om een volledig uitvoeringsgraf vooraf te genereren, terwijl aanvullende maatregelen nodig zijn om branch-steering-aanvallen te weren zonder de functionaliteit te offeren.
Dit paper introduceert BoxMind, een gesloten-lus AI-systeem dat ongestructureerde videodata omzet in strategische inzichten en tijdens de Olympische Spelen van 2024 de prestaties van het Chinese nationale boksteam heeft ondersteund bij het behalen van drie gouden en twee zilveren medailles.
Dit paper introduceert MSAHG, een hypergraafleermethode die scenario-specifieke mobiliteitspatronen ontrafelt en conflicterende optimalisatiedoelen oplost om de prestaties van de volgende POI-aanbeveling in Location-Based Social Networks aanzienlijk te verbeteren.
DevBench is een door telemetry gedreven benchmark die Large Language Models evalueert op realistische code-aanvullingstaken om ecologische validiteit te waarborgen en bruikbare inzichten te bieden voor modelselectie en -verbetering.
Dit paper introduceert MAS-Orchestra, een trainingsframework dat multi-agent systemen optimaliseert door orkestratie te formuleren als function-calling reinforcement learning, en MASBENCH, een gecontroleerde benchmark die aantoont dat de voordelen van multi-agent systemen sterk afhankelijk zijn van taakstructuur en niet universeel gelden.