9602 papers
Deze paper introduceert Neural Delay Differential Equations (NDDEs), een continu-tijd framework dat geïnspireerd is op het Mori-Zwanzig formalisme en effectief niet-Markoviaanse dynamica leert uit gedeeltelijk waarneembare data door geheugeneffecten te modelleren via tijdvertragingen.
Dit paper introduceert Puppet-CNN, een raamwerk dat convolutieparameters modelleert als een continu dynamisch systeem bestuurd door een neurale ODE, waardoor het aantal effectieve lagen input-adaptief kan worden aangepast en het aantal op te slaan trainbare parameters aanzienlijk wordt gereduceerd.
Deze paper introduceert een raamwerk voor diffusiemodellen dat de generatiedynamiek aanpast aan de complexiteit van elk individueel voorbeeld, waardoor het aantal benodigde steekproefstappen wordt verminderd zonder in te leveren op de kwaliteit.
Dit artikel toont aan dat algoritmen die zonder kennis van concurrenten handelen, vaak naïeve collusie vertonen door synchronisatie van acties, waarbij de kans op dit gedrag sterk afhangt van het gebruikte leermechanisme en varieert van nooit tot altijd afhankelijk van de mate van determinisme.
Dit artikel presenteert een gezamenlijke optimalisatie van sensoren, communicatie en exploratiesnelheid om het energieverbruik van robots voor levenslange SLAM-toepassingen te minimaliseren, waarbij ruwe LiDAR- en odometriegegevens draadloos naar een datacentrum worden verzonden voor real-time kaartreconstructie met onbeheerde deep learning.
Dit paper introduceert HarmonicEval, een referentievrije, meervoudige evaluatiemethode voor Vision-Language Models die criteria-specifieke scores combineert, en presenteert het MMHE-benchmark met 18.000 menselijke beoordelingen om de prestaties van dergelijke methoden in multi-task scenario's te valideren.
Deze paper introduceert een methode die voorgeprende vision-language modellen gebruikt om symbolische wereldmodellen te leren uit korte demonstraties, waardoor robots in staat zijn om via planning complexe, lange-horizon taken in nieuwe omgevingen en met nieuwe doelen op te lossen.
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.