2385 papers
Deze paper introduceert Sparse Variational Student-t Processes (SVTP), een schaalbaar raamwerk dat de robuustheid van Student-t-processen combineert met efficiënte inference-algoritmen voor het modelleren van zwaarstaartige data en uitbijters, waarbij het aanzienlijk beter presteert dan bestaande methoden op grote datasets.
Deze paper introduceert een unificerend raamwerk dat kwantisatie en verduidelijking als additief ruis modelleert en een afgeleid denoising-dekwantisatietransform toepast om stabiele training van neurale netwerken op willekeurige precisie- en sparsiteitsniveaus mogelijk te maken, waardoor state-of-the-art resultaten worden behaald in ultra-lage precisie-regimes zoals A1W1.
Dit paper introduceert DCPI, een methode voor datasetcondensatie die de prestaties verbetert door naast de gereduceerde dataset ook 'geprivilegieerde informatie' te synthetiseren die als aanvullende supervisie dient tijdens het trainen van modellen.
LayoutDreamer is een framework dat 3D Gaussian Splatting en fysica-gestuurde energie combineert om tekstgestuurde, fysiek realistische en goed controleerbare composities van 3D-scènes te genereren, waarmee het de huidige state-of-the-art prestaties verbetert.
In dit artikel wordt Astromer 2 gepresenteerd, een verbeterde foundation model voor het extraheren van lichtkromme-inbeddingen via zelftoezichtend leren, dat aanzienlijk betere prestaties en generalisatie bereikt dan zijn voorganger Astromer 1, zelfs bij beperkte hoeveelheden gelabelde data.
Dit artikel introduceert het concept van een 'ruimtelijke signatuur' voor datasets om de robuustheid van semivalue-gebaseerde datawaardering tegen veranderingen in de nuttigheidsfunctie te analyseren en biedt een praktische methode om de stabiliteit van deze waarderingen te kwantificeren.
Dit paper introduceert MKE-Coder, een nieuw raamwerk dat multi-axiale kennis en bewijsverificatie combineert om de nauwkeurigheid en snelheid van het automatisch coderen van ICD-codes in Chinese elektronische medische dossiers aanzienlijk te verbeteren.
Dit paper introduceert LLM-Advisor, een prompt-based raamwerk dat grote taalmodellen gebruikt als post-processing adviseurs om de kosten-efficiëntie van padplanning over diverse terreinen aanzienlijk te verbeteren zonder de onderliggende planner te wijzigen.
Dit paper introduceert HyConEx, een innovatief diep leermodel voor tabulaire data dat gelijktijdig nauwkeurige classificaties en lokale uitleggen in de vorm van contrafactuele voorbeelden biedt, waardoor het de eerste interpreteerbare classifier is die beide functies in één neurale netwerkbouwkundige combineert.
Dit paper introduceert een theoretisch onderbouwde aanpak voor uitlegbare kunstmatige intelligentie die, met behulp van een verklarende functor uit de categorietheorie, de consistentie en trouw van gegenereerde logica-gebaseerde verklaringen ten opzichte van het onderliggende model garandeert.
Dit paper introduceert GateLens, een LLM-agent die Relational Algebra gebruikt als formele tussenlaag om complexe tabulaire data in de automobielindustrie snel, transparant en betrouwbaar te analyseren, waardoor de analysetijd met meer dan 80% wordt gereduceerd ten opzichte van bestaande methoden.
Dit paper pleit vanuit een consequentiaalistisch perspectief voor het gebruik van proper scoring rules in plaats van binaire classificatiemetrics, onderbouwd met een theoretisch kader, een empirische analyse van huidige praktijken en de introductie van het Python-pakket `briertools` om deze aanpak toegankelijker te maken.
Dit paper introduceert MCP Bridge, een lichtgewicht RESTful proxy die Model Context Protocol-servers toegankelijk maakt voor resource-beperkte omgevingen via een veilige, LLM-agnostische API, en combineert dit met een geoptimaliseerde Qwen3-variant die op de MCPToolBench++-benchmark aanzienlijk beter presteert dan bestaande baselines.
Dit paper introduceert Stepwise Guided Policy Optimization (SGPO), een framework dat het probleem van volledig negatieve steekproefgroepen in GRPO oplost door gebruik te maken van een stapsgewijze beoordelaar voor diversiteit, waardoor het model effectief kan leren van fouten zonder dat de beoordelaar zelf correcte oplossingen hoeft te genereren.
Dit paper introduceert MathQ-Verify, een nieuw vijfstapsproces dat zorgvuldig slecht gestelde wiskundeproblemen filtert door syntactische validatie, formalisering, logicacontrole en volledigheidstests, waardoor de kwaliteit van wiskundedatasets aanzienlijk verbetert en de F1-score tot 25 procentpunten stijgt ten opzichte van bestaande methoden.
Dit paper introduceert UltraEdit, een trainings-, onderwerp- en geheugenloze methode voor het levenslang bijwerken van taalmodellen die aanzienlijk sneller en minder geheugenintensief is dan bestaande technieken, waardoor het zelfs op consumentenhardware mogelijk wordt om miljoenen bewerkingen uit te voeren zonder bestaande vaardigheden te verliezen.
Het paper introduceert SATURN, een reinforcement learning-framework dat gebruikmaakt van Boolean Satisfiability-problemen om de redeneercapaciteit van grote taalmodellen schaalbaar, verifieerbaar en met gecontroleerde moeilijkheidsgraad te trainen via een curriculum learning-aanpak.
Deze paper introduceert Daily-Omni, een nieuw meerkeuze benchmark voor audio-visuele vragen die de uitdagingen blootlegt van bestaande multimodale modellen bij het synchroniseren van tijdsafhankelijke informatie tussen auditieve en visuele modaliteiten.
Dit artikel biedt een systematische review van de integratie van fundamentele modellen in mobiele service-robots, waarbij de huidige uitdagingen, praktische toepassingen, ethische implicaties en toekomstige onderzoeksrichtingen voor betrouwbare en adaptieve robotica in menselijke omgevingen worden belicht.
Dit paper introduceert TSRating, een uniek raamwerk dat meta-learning en Large Language Models combineert om de kwaliteit van tijdreeksdata uit diverse domeinen nauwkeurig en efficiënt te beoordelen.