7051 papers
Het paper introduceert de Safe Transformer, een modulaire aanpak die een expliciete veiligheidsbit in taalmodellen integreert om zowel de interpretatie van veiligheidsbeslissingen als de controle over het gedrag van het model te verbeteren zonder volledige hertraining.
Dit paper introduceert een versterkingsleerbenadering die door middel van dichtheidsinvariante observatiecodering en trainingsrandomisatie veilige navigatie in dichte menigten mogelijk maakt zonder te bevriezen of te crashen, zelfs bij onbekende, hogere dichtheden dan tijdens de training.
Dit paper introduceert Calibrated Credit Intelligence (CCI), een deploymentgericht framework dat Bayesiaanse onzekerheid, fairness-beperkte gradient boosting en shift-bewuste fusie combineert om credit risk scores te leveren die onder tijdsafhankelijke verschuivingen nauwkeurig, goed gekalibreerd en eerlijk blijven.
Dit paper beschrijft een experiment waarbij meerdere LLM-agenten in een interactief bewijssysteem samenwerken via een dynamisch bounty-marktmechanisme om algebraïsche topologie te formaliseren en te bewijzen.
Deze paper introduceert Rank-Factorized Implicit Neural Bias (RIB), een methode die Super-Resolution Transformers compatibel maakt met FlashAttention door relatieve positionele bias te vervangen, waardoor de trainings- en inferentiesnelheid aanzienlijk wordt verbeterd en grotere venstergroottes mogelijk worden voor superieure prestaties.
Deze paper introduceert ResearchEnvBench, een benchmark die de aanzienlijke beperkingen van huidige autonome agents blootlegt bij het synthetiseren van uitvoeringsomgevingen voor onderzoekscodes, een cruciale stap voor reproduceerbaar wetenschappelijk werk.
Dit paper introduceert ViroGym, een uitgebreid benchmarkkader dat 79 diepe mutatiescanningsassays en diverse virale taken combineert om de prestaties van eiwit-taalmodellen bij het voorspellen van varianteffecten te evalueren en zo de selectie van rationele antigeenkandidaten voor vaccins te ondersteunen.
Deze paper introduceert een efficiënt raamwerk voor heterogene decentrale diffusiemodellen dat de trainingskosten aanzienlijk verlaagt en diverse trainingsdoelen (DDPM en Flow Matching) mogelijk maakt, wat resulteert in een 16-voudige reductie in rekenkracht en een 14-voudige reductie in data ten opzichte van eerdere methoden.
Deze paper introduceert een raamwerk dat een vooraf getraind generatief model fijntuint om samples direct binnen complexe, realistische beperkte gebieden te genereren, waardoor een nieuw compromis wordt gevonden tussen het naleven van constraints en de kwaliteit van de generatie.
Deze paper introduceert StableDRL, een gestabiliseerde variant van Group Relative Policy Optimization (GRPO) die specifiek is ontworpen om reward collapse te voorkomen bij het toepassen van versterkingslering op diffusie-taalmodellen door onbetrouwbare schattingen van waarschijnlijkheidsverhoudingen aan te pakken via onvoorwaardelijke clipping en zelf-normalisatie.
Dit paper introduceert DIRECTER, een nieuwe activatiesturingstechniek die dynamisch de stuurkracht aanpast op basis van plausibiliteit en een eenmalige attentie-analyse om de instructievolgingscapaciteit van grote taalmodellen te verbeteren zonder de kwaliteit van de gegenereerde tekst te schaden.
ButterflyViT is een nieuwe methode die Vision Transformers voor randapparatuur mogelijk maakt door experts te behandelen als geometrische herschikkingen van een gedeelde quantized substraat, wat resulteert in een 354-voudige vermindering van het geheugengebruik bij 64 experts met verwaarloosbaar verlies aan nauwkeurigheid.
In dit paper wordt ProtAlign geïntroduceerd, een multi-objectief voorkeursuitlijningsframework dat voorgeöefende inverse vouwmodellen fijnstelt om diverse ontwikkelbaarheidseigenschappen te optimaliseren zonder de structurele integriteit te schaden, wat resulteert in het model MoMPNN dat een verbeterde balans biedt tussen ontvouwbaarheid en ontwikkelbaarheid.
Deze studie biedt een uitgebreid overzicht van robotische foundation-modellen voor industriële toepassingen en introduceert een beoordelingsframework dat aantoont dat de huidige modellen nog onvoldoende zijn voor industriële inzet, omdat ze vooral beperkte pieken vertonen in plaats van een geïntegreerde dekking van veiligheids-, real-time en integratie-eisen.
Deze paper introduceert XMACNet, een lichtgewicht en verklaarbaar CNN-model dat zichtbare beelden en vegetatie-indexen combineert via zelf-attention en multi-modale fusie om chili-ziekten nauwkeurig te detecteren en te visualiseren voor toepassing in de precisielandbouw.
Deze paper introduceert ICD3, een nieuwe aanpak voor het detecteren van conceptdrift in onevenwichtige stromende data die het 'maskeringseffect' van grote clusters omzeilt door onbevooroordeelde clusterbeschrijvers te gebruiken om drift in kleine concepten nauwkeurig en interpreteerbaar te lokaliseren.
Dit paper introduceert een multi-niveau framework om de robuustheid en consistentie van SHAP-verklaringen voor diagnostische en prognostische machine learning-modellen bij Alzheimer te valideren, waarbij wordt aangetoond dat cognitieve en functionele markers stabiel blijven over verschillende ziektestadia en modelarchitecturen heen.
Dit artikel introduceert een algemeen, op gradiënten gebaseerd, genesterd co-designkader dat aerodynamische vormgeving en besturing voor vleugelrobots gelijktijdig optimaliseert door gebruik te maken van een neuronaal surrogaatmodel voor complexe stroming, wat leidt tot superieure prestaties bij taken als perchen en kort landen in vergelijking met bestaande methoden.
Dit paper introduceert een diversiteitsbewuste, adaptieve selectiemethode voor collocatiepunten in Physics-Informed Neural Networks (PINNs) die het probleem omzet in een sparse QUBO-optimalisatie met hybride coreset-anchors, waardoor de trainingskosten worden verlaagd en de nauwkeurigheid voor PDE's zoals de viskeuze Burgers-vergelijking wordt verbeterd.
Dit artikel toont aan dat symbolisch machine learning, in tegenstelling tot minder interpreteerbare neurale netwerken, effectief en uitlegbaar faaldetectie kan uitvoeren in chemische processen zoals ethyleenoxidatie, zelfs wanneer het trainen gebeurt op gesimuleerde data vanwege het gebrek aan historische real-world foutgegevens.