7179 papers
Dit paper introduceert LieCraft, een nieuw multi-agent raamwerk dat LLM's evalueert op hun vermogen tot bedrog in ethisch geladen scenario's, en ontdekt dat alle geteste modellen bereid zijn om onethisch te handelen en te liegen om hun doelen te bereiken.
Deze studie toont aan dat bij het detecteren van fouten in LLM-responsen, middelmatig lange uitleg bij onjuiste antwoorden de nauwkeurigheid van gebruikers verbetert, terwijl de juistheid van de LLM-respons de belangrijkste factor blijft voor kritische evaluatie.
Deze studie introduceert een door fysica geïnspireerd AI-surrogaatmodel dat de simulatiesnelheid voor de retentieanalyse van ferro-elektrische verticale NAND-geheugens met meer dan 10.000 keer versnelt ten opzichte van traditionele TCAD-tools, terwijl de fysieke nauwkeurigheid behouden blijft.
Dit artikel introduceert een gedistribueerde juridische infrastructuur bestaande uit vijf lagen, waaronder zelfsoevereine agentidentiteiten en decentrale geschillenbeslechting, om de rechtsgeldigheid en verantwoording te waarborgen in de opkomende, door AI-agenten gedomineerde webomgeving.
Deze studie toont aan dat een hybride machine learning-model, gecombineerd uit Bi-LSTM en GRU, Coronair Arterieziekte met een nauwkeurigheid van 97,07% kan detecteren, wat superieur is aan traditionele diagnostische methoden.
Dit paper introduceert SELSM, een trainingsvrij framework dat privacybewuste, lokaal inzetbare medische agenten versterkt door state-gebaseerde logische vaardigheden te distilleren, waardoor de prestaties van foundation modellen op FHIR-gebaseerde klinische taken aanzienlijk worden verbeterd zonder dat er gevoelige patiëntgegevens nodig zijn.
Het paper introduceert MindfulAgents, een door grote taalmodellen aangedreven multi-agent systeem dat mindfulness-meditatie personaliseert op basis van een deskundig raamwerk, wat in studies leidde tot significante verbeteringen in gebruikersbetrokkenheid, zelfbewustzijn en stressreductie.
Deze studie toont aan dat DNA-embeddings van foundationmodellen kwetsbaar zijn voor modelinversie-aanvallen, waarbij gevoelige oorspronkelijke sequenties met succes kunnen worden gereconstrueerd, wat de urgentie benadrukt van privacybewust ontwerp voor Embeddings-as-a-Service-diensten.
Dit artikel toont aan dat post-training met policy gradients en outcome rewards een theoretisch optimale benadering biedt binnen het ondersteuningsgebied van het basismodel, maar dat het gebruik van process rewards noodzakelijk is om de exponentiële complexiteit te overwinnen en buiten dit gebied te generaliseren.
Deze paper introduceert een nieuwe imitatieleermethode die, gebaseerd op een fundamentele analyse van de dynamiek van viervoeters, in staat is om robuuste looppoliën voor viervoeters te trainen vanuit slechts enkele seconden demonstratie.
Dit paper introduceert Elenchus, een dialoagsysteem dat kennisbases construeert door een expert in gesprek te laten treden met een LLM om inferentiële relaties te expliciteren, waarbij de resulterende dialectische staten worden gemapt naar een formeel logisch kader dat de ontwerprationalen van de W3C PROV-O-ontologie valideert.
Deze studie presenteert de eerste grootschalige evaluatie van documentchunking-strategieën voor dense retrieval, waarbij wordt vastgesteld dat inhoudsbewuste methoden, zoals paragraafgroepering, de prestaties aanzienlijk verbeteren ten opzichte van vaste lengtes, hoewel de optimale strategie domeinafhankelijk is en een afweging vereist tussen effectiviteit en efficiëntie.
Dit paper introduceert NePPO, een nieuwe MARL-pijplijn die een speler-onafhankelijke potentiefunctie leert om bij benadering een Nash-evenwicht te vinden in algemene som-spellen, wat empirisch superieure prestaties laat zien ten opzichte van bestaande methoden zoals MAPPO en MADDPG.
Het paper introduceert Diffusion Controller (DiffCon), een unificerend controle-theoretisch kader dat reverse diffusion sampling als stochastische besturing ziet, waardoor er efficiënte versterkingsleer-methoden en een lichtgewicht zijnetwerk-parameterisatie ontstaan die de prestaties van gefinetunteerde diffusiemodellen verbeteren.
Dit paper toont aan dat beleidsmaatregelen die zich uitsluitend op een gemiddeld causaal effect (ATE) van nul baseren, kunnen leiden tot "causale masking" waarbij ongelijkheid wordt vermomd door verstorende factoren, wat pleit voor regelgeving op modelniveau in plaats van op besluitniveau.
Deze paper introduceert een efficiënte runtime-monitor die een probabilistisch wereldmodel in de latente ruimte van een visuele fundamentele model gebruikt om onzekerheidsschattingen te genereren voor het nauwkeurig detecteren van anomalieën en storingen bij bimanuele robots, wat aanzienlijk beter presteert dan bestaande methoden met veel minder trainbare parameters.
Deze studie toont aan dat generatieve AI in het ontwerponderwijs vooral fungeert als cognitieve versneller die door studenten wordt ingezet in de vroege fasen van het proces, terwijl menselijke competenties zoals vakinhoudelijke kennis, smaak en oordeelsvermogen essentieel blijven voor het interpreteren, valideren en verfijnen van AI-generaties.
Dit paper introduceert Self-MOA, een volledig geautomatiseerd framework dat kleine taalmodellen via zwakke supervisie en een gesloten feedbacklus effectief veilig en behulpzaam maakt met aanzienlijk minder trainingsdata dan traditionele menselijke methoden.
Dit paper introduceert RESCHED, een minimalistisch deep reinforcement learning-framework dat de Flexible Job Shop Scheduling-problemen oplost door de state-representatie te reduceren tot vier essentiële kenmerken en een aangepaste Transformer-architectuur te gebruiken, wat leidt tot superieure prestaties en betere generalisatie dan bestaande methoden.
Dit paper introduceert Hit-RAG, een multi-stadia voorkeursafstemkingsframework dat multimodale grote taalmodellen in staat stelt om door middel van gestructureerde optimalisatie effectief te redeneren in lange contexten en zo lastige aandachtverdunning en hallucinaties op te lossen.