7012 papers
Dit paper introduceert GraphSkill, een agentisch raamwerk dat hiërarchische documentretrieval en zelf-debugging combineert om de kwaliteit en efficiëntie van codegeneratie voor complexe grafenredenering te verbeteren, ondersteund door een nieuw evaluatiedataset.
Dit artikel toont aan dat het Transformer-model, dat gebruikmaakt van zelf-attentie, superieure prestaties levert voor het voorspellen van kortetermijnstroomverbruik in vergelijking met traditionele statistische modellen en andere deep learning-architecturen zoals ARIMA, LSTM en BiLSTM.
Dit artikel introduceert Exploration Space Theory, een formeel raamwerk dat Kennisruimte-theorie vertaalt naar locatiegebaseerde aanbevelingssystemen om via een distributieve roosterstructuur en Birkhoff's representatiestelling wiskundig gegarandeerde, logisch onderbouwde en verklaarbare routes voor bezoekers te genereren.
Dit artikel presenteert een collectieve leer-methode op basis van Graph Convolutional Networks die de onderlinge afhankelijkheden tussen aangrenzende wegsecties benut om ontbrekende wegconditiegegevens effectief te imputeren, wat leidt tot betere resultaten dan bestaande methoden.
Dit paper introduceert Grouter, een methode die routering ontkoppelt van weegupdates door structurele priors te distilleren, waardoor MoE-training aanzienlijk sneller converteert en tot 33,5% meer doorvoersnelheid bereikt.
Dit paper past de methodologie van MacKay toe om de economie van AI te reframen als een fysische en thermodynamische balans, waarbij het token als meetbare eenheid wordt gedefinieerd om de mondiale vraag naar rekenkracht te kwantificeren en aan te tonen dat de fundamentele beperking niet het aantal te beantwoorden vragen is, maar de keuze welke vragen de moeite waard zijn.
Dit paper introduceert SmartBench, het eerste dataset en benchmark voor het evalueren van de prestaties van grote taalmodellen bij het detecteren van abnormale toestanden in slimme huishoudens, waarbij de resultaten aantonen dat huidige state-of-the-art modellen hierin nog aanzienlijk tekortschieten.
Dit paper introduceert HEARTS, een unificerend benchmark voor het evalueren van het hiërarchische redeneervermogen van grote taalmodellen op diverse gezondheids-tijdsreeksen, en toont aan dat deze modellen momenteel aanzienlijk onderpresteren ten opzichte van gespecialiseerde modellen en worstelen met complexe temporele redenering.
Het artikel introduceert RECAP, een bio-geïnspireerde methode voor beeldherkenning die ongeleide reservoir-dynamica combineert met een lokaal Hebbiaans prototype-leesmechanisme om robuuste classificatie te bereiken zonder gebruik van backpropagation.
Het artikel introduceert SR-TTT, een verbeterde Test-Time Training-architectuur die het probleem van vergeten cruciale informatie oplost door een verlies-gedreven, sparsere geheugenmechanisme toe te passen dat alleen onverwachte tokens naar een traditionele cache routeert, waardoor de O(1)-geheugenvoordeel behouden blijft terwijl de nauwkeurigheid bij exacte herinneringstaken wordt hersteld.
Dit paper introduceert een vertrouwensbewust federatief leerframework dat een adaptief mechanisme voor het schalen en filteren van vertrouwen gebruikt om de interpretatie van botgenezing in e-Health te beveiligen tegen onbetrouwbare deelnemers en zo de modelintegriteit en voorspellingsprestaties te verbeteren.
Dit paper introduceert een hiërarchisch multi-agent framework voor IBN-orkestratie in 5G/6G-netwerken dat aantoont dat Small Language Models (SLMs) een vergelijkbare vertaalkwaliteit bieden als Large Language Models (LLMs), maar de levenscyclus van het IBN met 20% versnellen.
Dit artikel introduceert ObjChangeVR-Dataset en het ObjChangeVR-framework om objectstatusveranderingen in VR-omgevingen te analyseren vanuit continue egocentrische perspectieven, waarbij cross-view redenering en tijdsgebonden zoekopdrachten worden gebruikt om veranderingen te detecteren die plaatsvinden zonder directe gebruikersinteractie.
Dit paper introduceert HURRI-GAN, een nieuw AI-gestuurd model dat fysieke simulaties van orkanen corrigeert met generatieve adversariale netwerken om de rekentijd te verkorten en nauwkeurige voorspellingen te genereren, zelfs op locaties waar geen meetstations aanwezig zijn.
Deze paper introduceert Geodesic Gradient Descent (GGD), een generieke en leerstap-grootte-vrije optimalisatie-algoritme dat de geometrie van objectief-functie-geïnduceerde oppervlakken beter benadert door lokale omgevingen te benaderen met n-dimensionale bollen, wat resulteert in aanzienlijke verbeteringen in testfouten en verlies ten opzichte van de Adam-algoritme.
Het paper introduceert PaLMR, een framework dat de redeneerprocessen van multimodale modellen verbetert door hallucinaties te verminderen en visuele trouw te waarborgen via een combinatie van perceptie-uitgelijnde data en een hiërarchische beloningsfunctie, wat leidt tot state-of-the-art resultaten op benchmarks zoals HallusionBench.
Dit paper introduceert FCBNet, een parameter-efficiënt convolutioneel model met een bevroren ConvNeXt-ruggengraat en een Feature Correction Block dat op multispectrale luchtfoto's een hogere nauwkeurigheid en trainings-efficiëntie bereikt dan bestaande methoden voor onkruiddetectie.
Dit paper introduceert GameVerse, een benchmark die aantoont dat Vision-Language-modellen hun spelstrategieën kunnen verbeteren door video-gebaseerde reflectie op fouten en experttutorials te combineren in een reflecteer-en-probeer-opnieuw-paradigma.
Dit hoofdstuk onderzoekt hoe generatieve kunstmatige intelligentie kan fungeren als een katalysator voor coherentie in het onderwijs, de leerprocessen en de beoordeling van wetenschappelijke geletterdheid op K-16+ niveau, terwijl het ook de conceptuele en praktische uitdagingen en de noodzakelijke architectuur voor implementatie belicht.
Het paper introduceert Graph-of-Mark (GoM), een nieuwe pixel-level visuele prompting-techniek die scene graphs overlayt op afbeeldingen om de ruimtelijke redeneercapaciteiten van multimodale taalmodellen aanzienlijk te verbeteren door objectrelaties in plaats van geïsoleerde objecten te benadrukken.