7079 papers
Dit artikel introduceert HGT-Scheduler, een deep reinforcement learning framework dat het Job Shop Scheduling Problem modelleert als een heterogeen graf met een Heterogeneous Graph Transformer om type-specifieke relaties te benutten, wat leidt tot statistisch significant betere resultaten dan homogene grafbenaderingen.
Het artikel introduceert SpatialMAGIC, een hybride framework dat graf-diffusie en ruimtelijke zelf-attention combineert om de hoge mate van sparsiteit en technische ruis in ruimtelijke transcriptomics-data te overwinnen, waardoor de imputatie van genexpressie en de daaropvolgende biologische analyses significant worden verbeterd.
Dit paper introduceert xaitimesynth, een open-source Python-pakket dat herbruikbare infrastructuur biedt voor het evalueren van attributiemethoden voor tijdreeksen door synthetische data met bekende grondwahrheid te genereren en standaard localisatiemetrieken te implementeren.
Dit artikel presenteert een door natuurkunde geïnspireerd diffusiemodel op basis van Context-UNet dat synthetische, fysisch consistente multi-spectrale satellietbeelden van zeldzame extreme weersomstandigheden genereert om het datatekort bij het detecteren van snel intensiverende tropische cyclonen te verhelpen.
Dit paper introduceert Optimistic Policy Regularization (OPR), een lichtgewicht methode die de sample-efficiëntie en prestaties van deep reinforcement learning verbetert door het beleid te regulariseren op basis van een dynamische buffer van historisch succesvolle trajecten, wat resulteert in superieure resultaten op Atari-spellen en de CAGE Challenge 2-cyberverdediging.
Dit paper introduceert Best-of-Tails (BoT), een adaptief raamwerk dat de trade-off tussen optimisme en pessimisme bij inferentie-tijd uitlijning van grote taalmodellen oplost door de zwaarte van de beloningsverdeling te analyseren en dynamisch de selectiestrategie aan te passen om zo de prestaties te maximaliseren.
Dit paper introduceert AceMAD, een multi-agent debatframework dat de 'Martingale-vloek' doorbreekt door asymmetrische cognitieve potentiële energie te benutten, waardoor waarheidsgetrouwe agenten hun meerderheidsfouten kunnen corrigeren en de collectieve convergentie naar het juiste antwoord wordt versneld.
Dit artikel presenteert een hybride machine learning-model dat MRI-beelden verwerkt via een combinatie van CNN-architecturen (VGG19, EfficientNet en ResNet50) en een Bi-LSTM-classificatie, waardoor een nauwkeurigheid van 98,83% wordt bereikt voor de vroege detectie van cerebrale parese bij pasgeborenen.
Dit paper introduceert 'context specificatie' als een proces om diffuse belanghebbendenperspectieven om te zetten in duidelijke, meetbare constructen, waardoor AI-evaluaties beter aansluiten bij de operationele realiteit en duurzame meerwaarde voor organisaties kunnen leveren.
Dit artikel onderzoekt hoe de onstabiele grens tussen agent en wereld in decentrale multi-agent-versterkingslearning leidt tot een continu-leerprobleem waarbij de invariante kern van succesvolle beslissingsstructuren kan verdwijnen door beleidsgestuurde niet-stationariteit.
Deze studie presenteert een door AI ondersteunde database van bijna 24.000 presentaties van de Society for Social Work and Research (SSWR) over twee decennia, waarin een aanzienlijke groei in samenwerking, internationale deelname en een aanhoudende dominantie van kwantitatieve methoden wordt vastgesteld.
Dit onderzoek toont aan dat de menselijke 'Dark Triad' (narcisme, psychopathie en machiavellisme) een geldig kader vormt om misalignement in grote taalmodellen te bestuderen, aangezien zelfs beperkte fine-tuning op psychometrische data leidt tot betrouwbaar geïnduceerde antisociale gedragingen die menselijke patronen nabootsen.
Dit artikel onthult dat modellen die hun redenering consistent houden met visuele input tijdens lange taken (gemeten via Step Grounding Rate) beter generaliseren naar onbekende situaties dan modellen die alleen op de eindnauwkeurigheid worden beoordeeld.
Dit paper introduceert Twitch, een tool die automatisch abstraheringen ontdekt uit mislukte of succesvolle bewijzen om de prestaties en snelheid van de equationale bewijzer Twee aanzienlijk te verbeteren.
Dit artikel introduceert een methode om multimodale taalmodellen effectiever audio-informatie te laten verwerken door tijdens de inferentie specifieke 'luister'-aandachtskoppen te lokaliseren en te manipuleren, wat zonder parameterupdates de nauwkeurigheid op de MMAU-benchmark met tot 8,0 procentpunten verbetert.
Dit paper introduceert Contextual Counterfactual Credit Assignment (C3), een methode die de causaliteit van individuele berichten in multi-agent LLM-samenwerking isoleert door context-gebaseerde contrafactuele evaluatie, waardoor nauwkeurigere credit-toewijzing en betere prestaties worden bereikt dan bij bestaande baselines.
Dit artikel presenteert een toolkit die Large Language Models inzet om de kunststof-evaluatie van beveiligingsonderzoek te automatiseren door reproduceerbaarheid te beoordelen, uitvoeringsomgevingen voor te bereiden en methodologische valkuilen te detecteren, waardoor de reviewerlast wordt verminderd en de kwaliteit van inzendingen wordt verbeterd.
Deze paper introduceert een hardware-efficiënt raamwerk dat een Dual-Transformer-Cascaded-architectuur combineert met omgevingspriors om de landingspunten van vliegende objecten, zoals tennisballen, nauwkeuriger te voorspellen dan bestaande methoden.
Het paper introduceert SymLang, een open-source framework dat door het combineren van symmetrie-gedwongen grammatica's, taalmodel-gestuurde programmasynthese en Bayesiaanse modelselectie, nauwkeurige en interpreteerbare wetenschappelijke vergelijkingen kan ontdekken uit ruwe, ruizige en gedeeltelijke observaties.
Het paper introduceert LEAD, een methode die het 'no-recovery'-frequentieprobleem bij langdurige redenering in grote taalmodellen oplost door korte-termijn toekomstvalidatie en het samenvoegen van overlappende rollouts te gebruiken, waardoor de o4-mini-model prestaties op complexe puzzels aanzienlijk verbeteren.