8078 papers
Dit paper introduceert MCGI, een geometrie-bewuste, schijf-residente indexeringsmethode die lokale intrinsieke dimensie gebruikt om de zoekstrategie dynamisch aan te passen aan de onderliggende data-manifold, waardoor de prestaties van billion-scale vectorzoekopdrachten aanzienlijk worden verbeterd ten opzichte van bestaande methoden zoals DiskANN.
Dit paper introduceert CRANE, een nieuw raamwerk dat taal-specifieke neuronen in meertalige grote taalmodellen identificeert op basis van functionele noodzaak door gerichte interventies, waardoor deze methoden nauwkeuriger zijn dan eerdere op activatie gebaseerde benaderingen.
Dit paper introduceert Bayesian Generative Modeling (BGM), een unificerend AI-framework dat via een stochastisch iteratief Bayesiaans update-algoritme een enkel generatief model leert voor willekeurige conditionele inferentie met principieel onzekerheidskwantificering, zonder dat hertraining nodig is voor verschillende conditioneringsstructuren.
Dit paper introduceert SpaceHMchat, een open-source mens-AI samenwerkingsframework dat de gezondheidsbeheer van ruimtevaartuigstroomsystemen in het tijdperk van mega-constellaties transformeert door een volledig geautomatiseerde cyclus van storingsdetectie tot onderhoudsbeslissingen te ondersteunen, wat wordt gevalideerd door een nieuw hardware-realistisch testplatform en het eerste openbare dataset voor dit domein.
Het paper introduceert CLEAR-Mamba, een geoptimaliseerd raamwerk dat hypernetwerk-gebaseerde adaptieve conditionering en betrouwbaarheidsbewuste voorspelling combineert om de nauwkeurigheid, generalisatie en betrouwbaarheid van de classificatie van oogangiografie-beelden (FFA en ICGA) te verbeteren.
Dit artikel introduceert een systeem dat gebruikmaakt van LLM-gestuurde webresearchagents om automatisch en in grote schaal diverse, realistische voorspellingsvragen te genereren en op te lossen, waarmee de kwaliteit van AI-voorspellers wordt geëvalueerd en verbeterd.
Deze paper introduceert EigenData, een unificerend framework dat een zelf-evoluerend data-agent combineert met verifieerbaar-beloond versterkend leren om schaalbaar en efficiënt complexe multi-turn tool-gebruikende agenten te trainen zonder dure menselijke annotatie.
Dit artikel presenteert een gated multi-head Transformer-architectuur die een detectiehoofd integreert in een Swin U-Net om valse positieve segmentaties in radiotherapie te onderdrukken door anatomisch ongeldige plakken te filteren, waardoor de nauwkeurigheid en betrouwbaarheid van geautomatiseerde contouring aanzienlijk wordt verbeterd.
Het artikel introduceert UAT-LITE, een framework dat Monte Carlo dropout toepast op de self-attention-mechanismen van voorgeöefende transformers om tijdens de inferentie epistemische onzekerheid te kwantificeren en te gebruiken voor onzekerheidsbewuste routing, wat leidt tot een aanzienlijke verbetering van de kalibratie zonder de bestaande modelgewichten aan te passen.
Dit artikel introduceert WebAccessVL, een visueel-taalmodel dat automatisch HTML-codes aanpast om WCAG2-toegankelijkheidsproblemen op te lossen terwijl het oorspronkelijke ontwerp behouden blijft, wat resulteert in een aanzienlijke reductie van schendingen en een verbeterde visuele consistentie.
Dit paper betoogt dat vertrouwen in chatbots vaak voortkomt uit gedragsmechanismen en cognitieve vooroordelen in plaats van daadwerkelijke betrouwbaarheid, en pleit ervoor deze systemen te zien als geschoolde verkopers in plaats van helpers om de verwarring tussen psychologisch vertrouwen en normatieve betrouwbaarheid op te lossen.
Dit paper introduceert RoSE, een nieuwe methode die monokulaire normaalenschattingsproblemen omvormt tot het schatten van schaduwsequenties via beeld-naar-video-generatieve modellen om zo de veelvoorkomende 3D-misalignatie van bestaande methoden te overwinnen en state-of-the-art resultaten te behalen.
Dit paper introduceert Infusion, een raamwerk dat schaalbare invloedfuncties gebruikt om kleine, subtiel geperturbeerde trainingdata te creëren die doelbewust het gedrag van modellen beïnvloeden, wat aantoont dat zelfs geringe aanpassingen in een klein deel van de dataset systematisch modelgedrag kunnen vormen.
Deze paper introduceert een energiebewust spike-budgeteringskader voor continue learning in spiking neural networks dat, door ervaringen te herhalen en neuronparameters aan te passen, zowel de nauwkeurigheid verbetert als het energieverbruik verlaagt voor zowel frame-gebaseerde als event-gebaseerde neuromorfe visiesystemen.
Het paper introduceert B-DENSE, een nieuw raamwerk dat de inferentie-efficiëntie van diffusiemodellen verbetert door middel van multi-branch trajectalignatie, waardoor een studentmodel dichte tussenstappen van de leraar leert om discretisatiefouten te verminderen en de beeldkwaliteit te verhogen.
Dit artikel bewijst een informatietheoretisch onmogelijkheidstheorema dat aantoont dat klassieke ontologische modellen die beperkt zijn tot het hergebruiken van één enkele ontische toestandsruimte onvermijdelijk een contextuele informatiekost moeten incasseren, waardoor contextualiteit wordt geïdentificeerd als een fundamentele beperking van klassieke representaties die door kwantumtheorie wordt omzeild door deze aanname los te laten.
Dit artikel introduceert een nieuw curriculum-gebaseerd framework voor continu leren dat door het sequentieel ontleden van meerdere onzekerheden en het combineren van modelgebaseerde regeling met diepe versterkingsturing, robuuste besturing van niet-lineaire mechanische systemen mogelijk maakt met succesvolle simulatie-naar-realiteit-overdracht, zoals gedemonstreerd bij actieve trillingsregeling voor auto-aandrijflijnen.
Dit paper introduceert ReDON, een nieuw type optisch neuraal proces met herhaalde, zelfgemoduleerde non-lineariteit dat de beperkingen van statische diffractieve netwerken overwint en aanzienlijk betere prestaties bereikt bij beeldherkenning en segmentatie.
Deze paper introduceert SafeGen-LLM, een veiligheidsgeoriënteerd groot taalmodel dat via een tweestaps trainingsframework (SFT en GRPO) robuuste en generaliseerbare veiligheidsplanning voor robotsystemen mogelijk maakt, zelfs in nieuwe domeinen en met complexe veiligheidsconstraints.
Dit paper introduceert Coupled Discrete Diffusion (CoDD), een hybride framework dat de factorisatiebarrière in diffusie-taalmodellen doorbreekt door een lichtgewicht probabilistische inferentielaag te gebruiken die complexe afhankelijkheden tussen tokens modelleert zonder de prestaties of efficiëntie te schaden.