12442 papers
Dit paper introduceert Fed--HC, een nieuw federatief hiërarchisch clusteringkader dat automatisch de optimale aantallen clusters bepaalt en om kan gaan met onbalans in clustergroottes, zelfs onder privacybeperkingen.
Dit artikel presenteert de resultaten van het HSEmotion-team bij de 10e ABAW-competitie, waarbij een efficiënte aanpak met vooraf getrainde EfficientNet-modellen en een MLP voor gezichtsemotieherkenning, waarden-arousal-schatting, actie-eu-detectie en fijnmazige geweldclassificatie aanzienlijk betere validatiemetrics oplevert dan bestaande baselines.
Dit paper introduceert Eye2Eye, een AR-framework dat gebruikmaakt van een gedeeld eerstepersoonsperspectief om de communicatie- en begripsgaten tussen mens en AI te overbruggen, wat resulteert in snellere taakvoltooiing, minder interactielast en meer vertrouwen.
Dit paper introduceert HeteroServe, een kostenefficiënte runtime die multimodale LLM-inferentie optimaliseert door visuele en taalkenmerken te scheiden en te distribueren over heterogene GPU-tier-systemen via PCIe, wat aanzienlijke kostenbesparingen en hogere doorvoersnelheden mogelijk maakt zonder de latentie te beïnvloeden.
Dit paper introduceert een AI-planningsframework dat webagenten-klassen koppelt aan traditionele zoekalgoritmen en nieuwe evaluatiemetrics voorstelt om het falen en de prestaties van LLM-agenten op het web systematisch te analyseren.
Dit onderzoek toont aan dat Vision-Language-Action-robots kwetsbaar zijn voor specifieke manipulaties van hun interne chain-of-thought-tekst, waarbij het vervangen van objectnamen de prestaties drastisch vermindert terwijl andere vormen van corruptie weinig effect hebben, wat aantoont dat de actie-decoder afhankelijk is van entiteitsreferenties in plaats van de redeneerkwaliteit.
Dit paper introduceert IGASA, een nieuw puntwolkregistratiekader dat een hiërarchische pyramide-architectuur combineert met een kruislaag-attentie- en een iteratieve geometrie-bewuste verfijningsmodule om robuustheid en nauwkeurigheid te verbeteren in uitdagende real-world scenario's zoals ruis en occlusie.
In dit paper wordt CMHANet voorgesteld, een nieuw cross-modaal hybride attentienetwerk dat 2D-beeldcontext en 3D-puntenwolkgeometrie combineert met contrastief leren om de robuustheid en nauwkeurigheid van puntwolkregistratie in complexe, realistische scenario's aanzienlijk te verbeteren.
Dit paper introduceert GICON, een graf-gebaseerd in-context operator netwerk dat door middel van gecontroleerde experimenten aantoont dat in-context operator learning superieur is aan klassieke operator learning voor generaliseerbare ruimtetijdvoorspellingen, zoals bij luchtvervuiling.
Dit paper presenteert een nieuwe methode voor het vroegtijdig detecteren van catastrofale storingen in maritieme dieselmotoren door gebruik te maken van de afgeleiden van afwijkingen in sensorsignalen, verwerkt door een Random Forest-algoritme, wat een snellere waarschuwing mogelijk maakt dan traditionele drempelwaarde-alarmen.
Dit paper introduceert ToolTree, een nieuw Monte Carlo-baasplanningsparadigma voor LLM-agenten dat gebruikmaakt van dubbele feedback en bidirectionele pruning om de prestaties bij complexe tool-planningstaken met ongeveer 10% te verbeteren ten opzichte van de huidige state-of-the-art.
Dit paper introduceert MoKus, een nieuw raamwerk voor kennisbewuste conceptaanpassing dat gebruikmaakt van cross-modale kennisoverdracht om visuele concepten te koppelen aan diverse tekstuele kennis, vergezeld van de eerste benchmark voor deze taak, KnowCusBench.
Dit paper introduceert TaoBench, een nieuw benchmark dat de beperkte generalisatie van geautomatiseerde stellingbewijzers naar niet-standaard wiskundige definities blootlegt, waarbij de prestaties van state-of-the-art modellen gemiddeld met 26% dalen wanneer ze worden getest op een zelfstandig opgebouwd raamwerk uit Terence Tao's Analysis I in plaats van op de gebruikelijke MathLib-bibliotheek.
Dit paper introduceert AIM, een trainingsvrije methode die logit-herspreiding gebruikt om één enkel AI-model dynamisch aan te passen aan uiteenlopende behoeften qua outputkwaliteit en focus, zonder dat meerdere gespecialiseerde versies nodig zijn.
Deze paper introduceert een nieuwe leermechanisme dat Vision-Language Models (VLMs) gebruikt om onderwaterbeeldverbetering semantisch bewust te maken, waardoor de kwaliteit van visuele taken zoals detectie en segmentatie aanzienlijk verbetert door de restauratie te richten op belangrijke objecten in plaats van op een uniforme verbetering.
Dit paper introduceert Cheers, een unificerend multimodaal model dat patchdetails ontkoppelt van semantische representaties om zowel visueel begrip als beeldgeneratie te verbeteren via een gedeelde architectuur die 4x tokencompressie bereikt en betere prestaties levert dan bestaande modellen met slechts 20% van de trainingskosten.
Dit artikel introduceert een multi-agent AI-framework dat grote taalmodellen combineert met technische documentatie om autonome en correcte code te genereren voor industriële procesflowsheet-simulaties in de in-house tool Chemasim.
Het paper introduceert Residual SODAP, een nieuw framework voor continu leren dat door middel van een combinatie van -entmax prompt-selectie, residuale aggregatie en data-vrije distillatie catastrofisch vergeten effectief aanpakt in domein-incrementele leeropdrachten zonder toegang tot task-identificatoren of historische data.
Dit paper introduceert de nieuwe taak UAV-scenewijzigingcaptioning voor dynamische luchtfoto's en stelt een hiërarchisch dubbel-veranderend collaboratief leermodel voor, aangevuld met een nieuw dataset, om semantische veranderingen in beelden met verschuivende perspectieven nauwkeurig te beschrijven.
Het artikel introduceert Mask2Flow-TSE, een tweestapsframework dat discriminatieve masking combineert met flow matching om spraak van een doel spreker te extraheren met hoge kwaliteit en snellere inferentie dan bestaande generatieve methoden.