2385 papers
Deze paper presenteert een nieuw meervoudig ensemble-afweermechanisme, bestaande uit een stapelclassificatie en een auto-encoder aangevuld met adversarial training, dat de robuustheid van ML-gebaseerde Netwerk Intrusie Detectiesystemen (NIDS) tegen GAN- en FGSM-gebaseerde adversariale aanvallen significant verhoogt op de UNSW-NB15 en NSL-KDD datasets.
Dit artikel introduceert een domeinadaptief raamwerk met gedegradeerde-stadia gesynchroniseerde bemonstering en een kruis-domein gealigneerde grote autoencoder om de prestaties van gezondheidsindicatoren voor prognostiek en gezondheidsbeheer aanzienlijk te verbeteren door distributiemismatches en beperkingen in het vastleggen van lange-termijn tijdsafhankelijkheden aan te pakken.
Dit paper toont aan dat het verwijderen van een coherent gemiddelde bias in FP4-gequantiseerde LLM-training de numerieke stabiliteit aanzienlijk verbetert en de prestaties herstelt door de dynamische bereikinflatie veroorzaakt door anisotropie te elimineren.
Dit paper introduceert FAR-Dex, een hiërarchisch framework dat few-shot data-augmentatie en adaptieve residu-refinement combineert om robuuste en precieze coördinatie tussen robotarmen en dexterous handen te bereiken, zelfs bij een beperkt aantal demonstraties.
Dit paper introduceert UniPINN, een unified framework voor Physics-Informed Neural Networks dat door middel van een gedeelde-specialistische architectuur, cross-flow attention en dynamische gewichtsallocatie effectief multi-task learning voor diverse Navier-Stokes vergelijkingen mogelijk maakt, waardoor negatieve transfer wordt tegengegaan en de voorspellingsnauwkeurigheid wordt verbeterd.
Het paper introduceert G-STAR, een end-to-end systeem dat een tijdbewuste spreker-trackingmodule koppelt aan een Speech-LLM-transcriptiebackbone om tijdgestempelde, spreker-gelabelde transcripties te genereren voor lange, multi-partij gesprekken met overlappingen, terwijl het de consistentie van sprekeridentiteiten op vergaderingsniveau behoudt.
Deze paper presenteert een unificerend kader voor nieuwsaanbevelingen dat zowel lange-termijnvoorkeuren als korte-termijndynamieken modelleert door gebruik te maken van een globale interactiegrafiek en lokale, tijdsgebonden subgrafieken, wat resulteert in nauwkeurigere en actueelere aanbevelingen dan bestaande methoden.
Deze paper introduceert SearchLLM, het eerste grote taalmodel voor open-ended generatieve zoekopdrachten dat wordt getraind met een hiërarchisch beloningssysteem en GRPO om robuuste, veilige en op gebruikersvoorkeuren afgestemde antwoorden te genereren, wat resulteerde in verbeterde kwaliteit en betrokkenheid in de AI-zoekfunctie van RedNote.
Dit paper introduceert een multi-agent onderhandelingsframework dat grote taalmodellen traint om collectieve waarden te aligneren en conflicten op te lossen via zelfspel en RLAIF, zonder in te leveren op algemene taalvaardigheden.
Dit artikel introduceert JEDI, een hiërarchisch model dat neurale dynamica over verschillende taken en contexten heen analyseert door een gedeelde inbeddingsruimte te leren, waardoor robuuste en schaalbare inzichten in hersenmechanismen mogelijk worden vanuit beperkte experimentele data.
Dit onderzoek toont aan dat de naïeve blootstelling van generatieve AI-vaardigheden via chatbots de effectiviteit van deepfake-detectie fundamenteel ondermijnt, omdat deze systemen onbedoeld authenticiteitscriteria onthullen die door niet-experts kunnen worden gebruikt om gemanipuleerde beelden te verfijnen en zo detectie te omzeilen.
Deze paper introduceert een lichtgewicht hybride framework dat grafische aandacht en grote taalmodellen combineert om een hoogpresterende Amazons-spel-AI te creëren die onder strikte rekenkrachtbeperkingen de prestaties van zijn basismodel overtreft door gebruik te maken van synthetische data en structurele filtering.
Dit paper introduceert IH-Challenge, een reinforcement learning-dataset die de instructiehiërarchie van frontier LLMs verbetert, waardoor de weerbaarheid tegen jailbreaks en prompt-injecties aanzienlijk toeneemt zonder de nuttigheid van het model te verminderen.
Dit artikel presenteert een multi-agent reinforcement learning-framework dat gebruikmaakt van Proximal Policy Optimization om UAV-vloten te coördineren voor tijdskritieke medische leveringen in dynamische omgevingen, waarbij experimenten met real-world data aantonen dat klassieke PPO-uitvoeringen superieure prestaties leveren ten opzichte van asynchrone en sequentiële strategieën.
Dit onderzoek evalueert de gevoeligheid van elf promptbare foundation modellen voor de segmentatie van musculoskeletale CT-beelden en concludeert dat de prestaties sterk variëren afhankelijk van de prompting-strategie en anatomische structuur, waarbij de prestaties met menselijke prompts lager zijn dan die met ideale prompts, wat de selectie van het meest geschikte model voor klinische toepassingen bemoeilijkt.
Het paper introduceert SCORE, een efficiënt alternatief voor klassieke laagstapeling dat door het herhaald toepassen van een gedeeld neuronaal blok met contractieve ODE-geïnspireerde updates, de convergentie versnelt en het parameteraantal verlaagt zonder ingewikkelde ODE-oplossers.
Dit artikel introduceert een taalgeleid raamwerk voor cognitieve defectanalyse in actieve infraroodthermografie van CFK-materialen, dat gebruikmaakt van vooraf getrainde vision-language modellen en een lichte adapter om zero-shot defectdetectie mogelijk te maken zonder uitgebreide trainingsdatasets.
Dit artikel introduceert een nieuw zelf-finetuning framework dat generatieve AI-agenten in staat stelt om zonder handgemaakte beloningen continu te leren door ervaringen in hun parameters te distilleren, wat resulteert in superieure prestaties bij het dynamisch slice-beheer van Radio Access Networks (RAN) vergeleken met bestaande methoden.
Dit onderzoek presenteert CUAAudit, een meta-evaluatie van vijf Vision-Language Models als auditors voor autonome computergebruiksagenten, waarbij wordt geconcludeerd dat hoewel deze modellen veelbelovend zijn, ze aanzienlijke beperkingen vertonen in complexere omgevingen en aanzienlijke onenigheid tonen in hun beoordelingen, wat de noodzaak benadrukt om evaluatorbetrouwbaarheid en onzekerheid expliciet te adresseren bij de implementatie van dergelijke agenten.
Deze empirische studie toont aan dat LLM-afstemming op morele redenering geen diversiteitsbevorderende algoritmen vereist, omdat standaard RLVR-methode voor beloningsmaximalisatie even effectief zijn dankzij de geconcentreerde aard van hoogwaardige morele antwoorden.