8089 papers
Deze paper introduceert EDMFormer, een transformer-model dat gebruikmaakt van zelftoezicht en een specifiek EDM-dataset (EDM-98) om de zwakke prestaties van bestaande modellen bij het segmenteren van elektronische dansmuziek te overwinnen door zich te richten op energie-, ritme- en timbre-veranderingen in plaats van op tekst of harmonie.
Dit artikel heroverweegt de bestaande veiligheidszorgkaders voor geavanceerde AI-systemen door lessen uit de traditionele veiligheidsindustrie te integreren en een robuuster raamwerk te presenteren dat specifiek ingaat op risico's zoals misleidende uitlijning en CBRN-capaciteiten.
Dit artikel introduceert een efficiënt multi-level meta-versterkingsleerframework dat Markov-beslissingsprocessen hiërarchisch comprimeert en een vaardigheidsgebaseerd curriculum leert om complexe taken te ontleden, de zoekruimte te reduceren en overdracht van vaardigheden tussen verschillende problemen en niveaus te bevorderen.
Dit artikel introduceert een raamwerk dat grote taalmodellen (LLM's) gebruikt om experimenten met supergeleidende qubits te automatiseren door dynamisch hulpmiddelen te genereren op basis van een kennisbank, wat leidt tot snellere implementatie van standaardprotocollen en flexibeler controle van complexe kwantumhardware.
Dit paper introduceert Test-Driven AI Agent Definition (TDAD), een methode die agent-prompten compilarieert vanuit gedragspecificaties via een iteratief testgedreven proces, waardoor de betrouwbaarheid en regressievrijheid van tool-gebruikende AI-agenten in productie wordt gewaarborgd.
Het artikel introduceert Scale-Plan, een schaalbaar raamwerk dat grote taalmodellen combineert met gestructureerde grafzoekalgoritmen om irrelevante informatie te filteren en zo betrouwbare, langdurige taakplanning voor heterogene multi-robotteams mogelijk te maken, wat wordt gevalideerd met de nieuwe MAT2-THOR-benchmark.
Dit onderzoek toont aan dat er een sterke correlatie bestaat tussen op dekking gebaseerde zoekopdrachtmetrieken en de informatieafdekking van gegenereerde antwoorden in Retrieval-Augmented Generation-systemen, wat deze metrieken valideert als betrouwbare vroege indicatoren voor de uiteindelijke prestaties.
Dit paper introduceert Fish Audio S2, een open-source tekst-naar-spraak-systeem dat multi-spreker- en multi-turn-generatie combineert met instructievolgende controle via natuurlijke taal, ondersteund door een schaalbaar trainingsproces en een productieklaar inferentie-engine met een zeer lage latentie.
Deze paper introduceert GenGNN, een modulair message-passing framework dat aantoont dat expressieve encoders zoals transformers niet strikt noodzakelijk zijn voor discrete grafengeneratie, aangezien diffusion-modellen met GenGNN vergelijkbare validiteit bereiken met 2-5 keer snellere inferentie.
Dit paper introduceert MASEval, een framework-onafhankelijke bibliotheek die de evaluatie van LLM-agent-systemen uitbreidt van enkel modellen naar het volledige systeem, waarbij wordt aangetoond dat de keuze van het framework even belangrijk is als die van het model voor de prestaties.
Dit paper introduceert MuCTaL, een lichtgewicht deep learning-model dat door middel van gebalanceerde training op vier kankersoorten nauwkeurige tumorlokalisatie bereikt in digitale pathologie en bovendien generaliseert naar onzichtbare tumorsoorten zoals pancreaskanker.
Dit paper introduceert LDP, een identiteitsbewust protocol voor multi-agent LLM-systemen dat modelkenmerken als eerste klas-bouwstenen gebruikt om efficiëntere, beter bestuurde en veiligere delegatie mogelijk te maken.
Deze studie identificeert drie kwantificeerbare structuureigenschappen – afstemming op een heuristiek, eenvoudige bin-samenstelling en een geordende visuele representatie – die menselijke voorkeur voor interpreteerbare, even optimale combinatorische oplossingen bepalen, waardoor een onderbouwd kader ontstaat voor interpretatiebewuste optimalisatie.
Dit onderzoek introduceert een model-onafhankelijke evaluatieharness, BCAS, om te kwantificeren hoe zoekdiepte, retrievestrategieën en voltooiingsbudgetten de nauwkeurigheid en kosten van budgetbeperkte agentic RAG-systemen beïnvloeden, en biedt praktische richtlijnen voor het configureren van dergelijke pipelines.
Deze paper introduceert FSbuHD, een nieuw feature-selectiemodel gebaseerd op fuzzy ruwe settheorie voor hybride informatiesystemen dat de berekening van fuzzy-equivalentierelaties via afstanden optimaliseert en het probleem omzet in een optimalisatieopgave, waardoor het in zowel normale als optimistische modi efficiënter en effectiever is dan bestaande methoden.
Dit artikel introduceert NetDiffuser, een nieuw raamwerk dat diffusiemodellen en een innovatief feature-categorisatiealgoritme combineert om natuurlijke adversariële voorbeelden te genereren die DNN-gebaseerde netwerkintrusiedetectiesystemen effectief misleiden met een aanzienlijk hogere aanvalsuccesratio dan bestaande methoden.
Deze paper introduceert Transfer-Informed Betting, een nieuwe methode voor selectieve voorspelling die bestaande onzekerheidskaders combineert met domeinoverdracht om in data-schaarse situaties sterkere risicogaranties te bieden dan traditionele methoden.
Dit paper introduceert FedLECC, een lichtgewicht client-selectiestrategie voor Federated Learning die clusters en lokale verliezen gebruikt om onder niet-IID-omstandigheden de testnauwkeurigheid te verhogen en communicatiekosten aanzienlijk te verlagen.
Dit paper introduceert een volledig differentieerbare methode met continu gereduceerde Bernoulli-gates om Strong Lottery Tickets te ontdekken door alleen de gating-parameters te trainen, waardoor tot 90% sparsiteit wordt bereikt met minimale nauwkeurigheidsverlies zonder de beperkingen van bestaande niet-differentieerbare selectiemethoden.
Dit artikel stelt dat zichtbaarheidsmetingen voor domeinen in generatieve zoekmachines inherent onzeker zijn vanwege hun niet-deterministische aard, en pleit daarom voor het gebruik van statistische frameworks met betrouwbaarheidsintervallen in plaats van betrouwbare enkelvoudige schattingen.