12523 papers
Dit paper introduceert een schaalbare zelfdistillatiemethode die taalmodellen in staat stelt om direct uit natuurlijke meer-draads gebruikersinteracties te leren, waardoor de modellen hun uitlijning, instructie-opvolging en personalisatie kunnen verbeteren zonder expliciete feedback.
Dit artikel onthult dat prompt-injectie-aanvallen het gevolg zijn van rolverwarring in taalmodellen, waarbij onbetrouwbare tekst die een rol nabootst onterecht autoriteit krijgt, wat leidt tot succesvolle aanvalsmethoden die de interne rolidentificatie van het model uitbuiten.
Dit artikel presenteert een voorspellend analyseresframework voor diabetische voetzweren dat tijdreeksdata van temperatuur- en druksensoren combineert met onbewaakte machinelearning-algoritmen, zoals Isolation Forest en KNN, om vroegtijdige risicosignalen te detecteren en zo tijdige interventies mogelijk te maken.
Dit paper introduceert de DIME-architectuur, een unificerend operationeel raamwerk dat perceptie, geheugen, waardering en bewustzijn integreert via vier interactieve componenten (engrams, uitvoerdraden, markersystemen en hyperengrams) om een gemeenschappelijke cyclus voor neurale representatie en dynamiek te bieden.
Dit artikel introduceert een contextbewust raamwerk dat ruwe AIS-gegevens van schepen omzet in gestructureerde, semantisch verrijkte representaties die geschikt zijn voor menselijke interpretatie en generatie van natuurlijke taalbeschrijvingen door grote taalmodellen.
Deze paper introduceert LAGMiD, een nieuw framework dat large language models (LLMs) en graf-neurale netwerken combineert via kennisdistillatie en bewijsketen-resoneren om miscitaties op het wetenschappelijke web nauwkeurig en kostenefficiënt te detecteren.
Dit overzichtspaper biedt een uitgebreide analyse van methoden voor het genereren van synthetische hersensignalen voor brain-computer interfaces, inclusief een systematische classificatie van bestaande algoritmen, benchmarkresultaten over vier BCI-paradigma's en een bespreking van toekomstige kansen en uitdagingen.
Dit paper introduceert GER-steer, een trainingsvrij raamwerk dat de controle over Large Language Models verbetert door ruwe stuurvectoren te verfijnen via cross-layer consistentie, waardoor robuuste semantische intentie wordt ontkoppeld van ruis en spurious correlaties.
Dit artikel introduceert een nieuw optimalisatiekader dat het Minimum Description Length-principe fundamenteel integreert in het trainingsproces van diepe neurale netwerken door een meetkundig onderbouwde cognitieve variëteit te gebruiken die wordt gestuurd door een gekoppelde Ricci-stroming, waardoor een autonoom en robuust generaliserend AI-systeem ontstaat.
Dit artikel introduceert HCP-DCNet, een unificerend raamwerk dat continue fysieke dynamiek en discrete symbolische causale redenering combineert via een hiërarchisch systeem van herbruikbare causale primitieven en een zelfverbeterende meta-evolutiestrategie, waardoor AI-systemen robuustere en interpreteerbare causale vaardigheden ontwikkelen.
Dit paper introduceert VQQA, een multi-agent framework dat de kwaliteit van gegenereerde video's verbetert door visuele vragen te genereren en deze te gebruiken als semantische gradiënten voor een efficiënte, black-box promptoptimalisatie die aanzienlijk beter presteert dan bestaande methoden.
Dit artikel introduceert een geometrisch raamwerk voor curriculum learning in versterkingslearning, gebaseerd op niet-evenwichtsthermodynamica, waarbij optimale curricula worden gedefinieerd als geodeten op een taakmanifold en een algoritme genaamd MEW wordt voorgesteld voor het bepalen van temperatuur-afkoelschema's.
Dit paper introduceert EVE, een nieuw algoritme dat het probleem van maximale entropie-exploratie in versterkingsleer oplost zonder dure rollouts, door gebruik te maken van spectrale eigenschappen van overgangsmatrices en een posterior-policy iteratie.
Dit artikel presenteert een POMDP-gebaseerde aanpak, gebruikmakend van het MOMDP-framework, om het optimaliseren van updates voor taakvoltooiingstijden te modelleren, waardoor onnodige communicatie met belanghebbenden met tot 75% wordt verminderd terwijl de nauwkeurigheid behouden blijft.
Deze paper introduceert het formeel geverifieerde Budget-Sensitive Discovery Score (BSDS)-framework om AI-gestuurde selectiestrategieën te evalueren, en toont aan dat grote taalmodellen (LLMs) geen toegevoegde waarde bieden ten opzichte van een eenvoudige, getrainde machine learning-baseline bij het selecteren van kandidaat-moleculen voor drugontwikkeling.
Dit paper introduceert ReBalance, een trainingsvrij raamwerk dat Large Reasoning Models efficiënter maakt door over- en onderdenken te corrigeren via dynamische sturing op basis van vertrouwen, waardoor redundantie wordt verminderd en de nauwkeurigheid op diverse taken wordt verbeterd.
Het paper introduceert SPARROW, een pixel-gebaseerd video-MLLM dat ruimtelijke precisie en temporale consistentie verbetert door middel van doelgerichte getrackte features en een dubbel-promptontwerp, wat leidt tot aanzienlijke prestatieverbeteringen op diverse videobenchmarks.
Dit paper introduceert test-tijdstrategieën voor Agentic RAG die een contextualisatie- en een de-duplicatiemodule combineren om de Search-R1-pijplijn te optimaliseren, wat resulteert in een aanzienlijke verbetering van het antwoordkwaliteit en een vermindering van het aantal noodzakelijke ophaalrondes.
Dit onderzoek toont aan dat heterogene Vision Foundation Models betrouwbaar kunnen worden samengevoegd door een eenvoudige feature-matching loss te gebruiken, waardoor een praktische methode ontstaat voor het integreren van complementaire modelsterktes en het creëren van een VFM Stitch Tree voor multimodale LLM's.
Deze studie onthult dat standaard evaluatiepraktijken voor CNN's in kankerpathologie onbetrouwbaar zijn, omdat modellen tot 93% nauwkeurigheid bereiken bij het classificeren van achtergrondafbeeldingen zonder klinische informatie, wat wijst op ernstige biases die de validiteit van bestaande benchmarks ondermijnen.