8620 papers
Deze paper introduceert efficiënte data-reductiestrategieën voor semi-supervised adversarial training door middel van latent clustering, waardoor de benodigde hoeveelheid ongelabelde data en rekentijd aanzienlijk worden verminderd zonder in te leveren op de modelrobustheid.
Deze paper introduceert een pivot-gebaseerd ensemble-framework dat met één enkel model diverse vertaalkandidaten genereert en deze post-hoc samenvoegt om de vertaalkwaliteit voor taalkoppels met beperkte bronnen te verbeteren zonder de hoge rekentkosten van traditionele ensemble-methoden.
Dit paper introduceert GRADIEND, een nieuwe encoder-decoder-methode die modelgradiënten gebruikt om bias-gerelateerde neurale kenmerken te identificeren en modellen effectief te debiasen zonder hun andere vaardigheden te verliezen.
Deze paper introduceert een efficiënt lokaal zoekalgoritme voor het ontdekken van gepolariseerde gemeenschappen in getekende netwerken, dat een nieuw optimalisatiedoelwit combineert met een lineaire convergentie om zowel onbalans in gemeenschapsgrootte als de aanwezigheid van neutrale knopen effectief aan te pakken.
Dit paper toont aan dat het gebruik van Low-Rank Adaptation (LoRA) in federatief leren voor grote taalmodellen de onbedoelde memorisatie van trainingsdata tot wel tien keer vermindert zonder significante prestatieverliezen, zelfs in risicovolle domeinen zoals geneeskunde, recht en financiën.
Dit paper introduceert Prompt-SID, een zelftoezichtend framework voor het verwijderen van ruis uit een enkele afbeelding dat structurele details behoudt door middel van een prompt-leringsbenadering met latent diffusion en een transformer-architectuur.
Dit artikel introduceert een discreet wiskundig raamwerk met grofkorrelige partities en categorische unificatie om informatieverlies bij coarse-grained evaluaties in ethisch gevoelige AI-systemen te kwantificeren en te optimaliseren.
Dit paper introduceert het Texts as Time Series (TaTS)-framework, dat gepaarde teksten als tijdsreeksen behandelt om bestaande numerieke modellen te verbeteren voor multimodale voorspelling en imputatie zonder de architectuur aan te passen.
Het artikel introduceert LaVCa, een data-gedreven methode die grote taalmodellen gebruikt om gedetailleerde natuurlijke taalbeschrijvingen te genereren voor de selectiviteit van neurale populaties in de visuele cortex, waarmee de beperkingen van bestaande diepe-neurale-netwerkmodellen worden overwonnen en fijnmazigere inzichten in menselijke visuele representaties worden verkregen.
Dit paper introduceert het Clustering-On-Difficulty (COD)-framework, dat taken clusteren op basis van hun schaalingsmoeilijkheid om een nauwkeurige voorspelling van de downstream-prestaties van grote taalmodellen mogelijk te maken, zelfs bij het optreden van emergente fenomenen.
Dit onderzoek presenteert een hoogpresterend algoritme dat T1-, T2-, T1ce- en FLAIR-MRI-beelden fuseert via UNET-segmentatie en ResNet50-classificatie om gliomen met een nauwkeurigheid van 99,25% te onderscheiden in subklassen zoals necrotische kern, oedeem en versterkende tumor.
Dit onderzoek presenteert een diep leer-gebaseerde aanpak met UNet-, Inception- en ResNet-architecturen voor geautomatiseerde 2D- en 3D-segmentatie van gliomen op de BraTS-datasets, waarbij het ResNet-model met name uitstekende prestaties levert (tot 99,77% nauwkeurigheid en een Dice-score van 0,9888) en zo een evenwicht biedt tussen computationele efficiëntie en ruimtelijke precisie voor klinische toepassing.
Dit paper introduceert LOOP, een nieuwe versterkingsleermethode voor het fijnafstemmen van tekst-naar-beeld diffusiemodellen die de steekproefefficiëntie en stabiliteit van PPO combineert met de variansiereductietechnieken van REINFORCE om een betere balans tussen efficiëntie en prestaties te bereiken.
Dit artikel introduceert een nieuw raamwerk voor LLM-gestuurde multi-agent systemen in Minecraft dat door middel van een parallelle planning-actie-architectuur met onderbrekbare uitvoering de beperkingen van traditionele seriële methoden overwint en zo de real-time responsiviteit in dynamische omgevingen aanzienlijk verbetert.
In deze studie wordt GlucoLens, een uitlegbare machine learning-oplossing die draagbare sensoren, voedsel- en activiteitsdata combineert met grote taalmodellen, gepresenteerd om postprandiale hyperglykemie bij volwassenen te voorspellen en via contrafactuele verklaringen behandelingspaden voor een gezonde levensstijl te ontdekken.
Deze studie introduceert een schaalbaar en robuust transformer-model op tetraëdrische meshes met anatomische landmarks, dat de diagnose van de ziekte van Alzheimer en de voorspelling van amyloïde positiviteit bij personen met een gemiddeld risico verbetert zonder dure PET-scans.
Deze studie onderzocht met behulp van het CGScholar-platform hoe 36 Kazachse wetenschappers AI-tools en peerfeedback ervaren, en concludeerde dat hoewel er een gematigde positieve correlatie is tussen AI-ervaring en openheid tot feedback, de deelnemers methodologische richtlijnen van collega's nog steeds zeer op prijs stellen, wat wijst op het potentieel van een hybride benadering voor het verbeteren van academisch schrijfkwaliteit.
Dit paper introduceert ViLAM, een methode die visueel-taalredenering distilleert naar ruimtelijke attentiekaarten om sociale robotnavigatie te verbeteren, wat resulteert in een aanzienlijke stijging van het succespercentage in vergelijking met bestaande methoden.
Dit paper introduceert IMPACT, een nieuw bewegingsplanningskader dat Vision-Language Models gebruikt om veilige contacttrajecten in rommelige omgevingen te genereren door objecteigenschappen te analyseren en een anisotrope kostenkaart te combineren met een contactbewuste A*-planner.
Dit paper introduceert iProg, een tool die interactieve gestructureerde induktieve programmering toepast om via een samenwerkingsprotocol tussen mens en LLM betrouwbare en onderhoudbare data-analysesystemen te genereren, wat leidt tot een significante verbetering in kwaliteit en ontwikkelingstijd ten opzichte van bestaande Low Code/No Code-methoden.