12642 papers
Dit artikel introduceert SlovKE, een groot dataset van 227.432 wetenschappelijke abstracts met auteur-toegewezen sleutelwoorden voor het Slowaaks, en toont aan dat LLM-gebaseerde extractie (KeyLLM) statistische methoden overtreft door de uitdaging van morfologische variatie in deze taalkundig rijke taal beter aan te pakken.
Deze paper introduceert een lichtgewicht, post-hoc methode die gebruikmaakt van eindige-differentiemethoden om puntsgewijze foutenkaarten te genereren voor voorspellingen van Physics-Informed Neural Networks (PINNs) bij lineaire partiële differentiaalvergelijkingen, waardoor het vertrouwen in deze modellen wordt versterkt zonder dat de ware oplossing bekend hoeft te zijn.
Dit artikel analyseert de onoplosbare conflicten in de uitlijning van grote taalmodellen via prioriteitsgrafieken, identificeert het risico van 'prioriteitshacking' en stelt een runtime-verificatiemechanisme voor, terwijl het erkent dat veel ethische dilemma's fundamenteel onoplosbaar blijven.
Dit onderzoek toont aan dat grote taalmodellen effectief plausibele foutieve redeneringen van studenten kunnen modelleren voor het genereren van meerkeuze-opties, waarbij hun proces sterk overeenkomt met onderwijskundige best practices en wordt geoptimaliseerd door het expliciet aanleveren van het juiste antwoord.
Dit paper introduceert Lore, een lichtgewicht protocol dat git-commitberichten herstructuriseert tot zelfstandige beslissingsrecords om het verloren redeneringsproces achter code-aanpassingen voor AI-coderingsagenten te behouden.
Dit artikel introduceert een hybride Waveguide Neural Operator (WGNO) en andere physics-informed neurale systemen die de diffractie van EUV-golven van lithografische maskers met hoge nauwkeurigheid en aanzienlijk verkorte rekentijd simuleren, waardoor het ontwerp en de optimalisatie van volgende generatie maskers worden versneld.
Dit artikel stelt een cognitieve architectuur voor waarin de psyche wordt gezien als een besturingssysteem dat behoeften en intelligentie integreert, en formaliseert de creatie van kunstmatige algemene intelligentie als een systeem voor het nemen van optimale beslissingen in een onzekere omgeving om doelen te bereiken, existentiële risico's te minimaliseren en energie-efficiëntie te maximaliseren.
OpenSeeker democratiseert de ontwikkeling van geavanceerde zoekagenten door als eerste volledig open-source model en dataset te publiceren die, ondanks het gebruik van slechts 11.7.000 synthetische trainingsstalen, prestaties op het niveau van industriële concurrenten behaalt door middel van feitelijke schaalbare QA-synthese en gedenoiste trajectsynthese.
Dit paper introduceert PRIMO R1, een 7B-framework dat video-MLLM's transformeert van passieve waarnemers naar actieve critici door versterkende leerling te gebruiken voor procesredenering, waardoor het state-of-the-art prestaties bereikt op robuuste manipulatie- en faaldetectietaken.
Deze studie toont aan dat de gangbare algoritmische metrieken voor het evalueren van contrafactuele verklaringen slechts zwak correleren met menselijke percepties van kwaliteit, wat de noodzaak onderstreept voor meer mensgerichte benaderingen in het veld van uitlegbare kunstmatige intelligentie.
Deze studie toont aan dat taalkundige modellen een inherente morele onverschilligheid vertonen door morele concepten te uniformeren, en demonstreert dat het herstructureren van hun latente representaties met behulp van sparse autoencoders en morele vectoren hun morele redeneervermogen aanzienlijk verbetert.
Dit paper introduceert Mixture-of-Depths Attention (MoDA), een efficiënt mechanisme dat de signaalkwaliteit in diepe taalmodellen verbetert door attention-heads toegang te geven tot KV-paren uit voorgaande lagen, wat resulteert in betere prestaties met slechts een verwaarloosbare toename in rekencost.
Dit artikel introduceert TRAJHIJACK, een aanval die de kwetsbaarheid van veilige diffusion-taalmodellen blootlegt door het onomkeerbare onthullen van tokens te omzeilen via hermaskering en het injecteren van een bevestigend voorvoegsel, wat resulteert in een hoge succesgraad zonder gradiëntberekening.
Dit artikel presenteert een methode voor het gebruik van latent diffusion models om geologische faciemodellen te parameteriseren en te assimileren met data, waarbij een variational autoencoder en een U-net worden ingezet om realistische, dimensiereducerende representaties te genereren die effectief worden gebruikt voor ensemble-based history matching en onzekerheidsreductie.
Dit artikel introduceert MVGT, een multi-view graph transformer die op ruimtelijke relaties is gebaseerd en door het integreren van temporele, frequentie- en ruimtelijke domeinen de prestaties van EEG-gebaseerde emotieherkenning verbetert ten opzichte van bestaande methoden.
Dit artikel toont aan dat fMRI-onderzoek de aanwezigheid van een tweefasig abstractieproces in taalmodellen bevestigt, waarbij de eerste 'compositie'-fase tijdens training wordt gecomprimeerd en de prestaties van laag-voor-laag codering sterk correleren met de intrinsieke dimensionaliteit van de representaties, voornamelijk gedreven door compositie en niet door next-word predictie.
Dit paper introduceert de Superficial Safety Alignment Hypothesis, die stelt dat veiligheidsuitlijning van grote taalmodellen in wezen een binair classificatieprobleem is dat wordt gedomineerd door een beperkt aantal neuronale componenten, waardoor veiligheidsmechanismen effectief kunnen worden behouden en de kosten van uitlijning kunnen worden geminimaliseerd.
Dit artikel beschrijft hoe actief causaal structuurlernen met latente variabelen (ACSLWL) autonome robots in staat stelt om door het actief construeren van nieuwe interne causale modellen onverwachte obstakels, zoals transparante barrières, te omzeilen en zo een suboptimale situatie om te zetten in een voorspelbare situatie met een optimale plan.
Het paper introduceert Motion Dreamer, een tweestapsframework dat 'boundary conditional motion reasoning' mogelijk maakt door bewegingsredenering en visuele synthese te scheiden, waardoor fysiek coherente video's kunnen worden gegenereerd op basis van gedeeltelijke randvoorwaarden zoals een initiële scène en gedeeltelijke objectbewegingen.
Dit paper presenteert een framework dat testen en statische analyse gebruikt om open-source LLM's te helpen bij het zelf verbeteren van gegenereerde code, waarbij wordt vastgesteld dat hoewel deze modellen vaak fouten en kwetsbaarheden introduceren en slecht zijn in het detecteren daarvan, ze aanzienlijk beter presteren bij het oplossen van deze problemen wanneer ze feedback krijgen over de fouten.