13489 papers
Het paper introduceert FEAT, een foundation model met lineaire complexiteit dat door middel van een hybride dual-as architectuur de beperkingen van bestaande modellen voor zeer grote gestructureerde data overwint en aanzienlijk snellere inferentie biedt zonder in te leveren op prestaties.
Dit onderzoek toont aan dat parameter-efficiënt fine-tuning met LoRA voor het genereren van domeinspecifieke code uit natuurlijke taal over het algemeen superieure nauwkeurigheid en domeinalignement biedt vergeleken met prompting-technieken zoals few-shot learning en RAG, hoewel deze laatste methoden een kosteneffectieve alternatief vormen voor flexibiliteit.
Dit paper introduceert een front-end patroon genaamd 'bounded calibration with contestability' voor LLM-gestuurde robots, dat prioritering in sociale situaties reguleert door deze te beperken tot goedgekeurde modi, de actieve modus transparant te maken en een specifieke bezwaarmogelijkheid te bieden zonder de globale regels te heronderhandelen.
Dit paper introduceert DanceHA, een multi-agent framework voor documentgebaseerde aspectgebaseerde sentimentintensiteitsanalyse in informele teksten, dat een 'divide-and-conquer'-strategie en mens-AI-samenwerking combineert om het onderzochte Inf-ABSIA-dataset te creëren en effectieve kennisoverdracht naar studentmodellen mogelijk te maken.
Het paper introduceert CompDiff, een hiërarchisch compositional diffusion-framework dat het probleem van ongelijke generatiekwaliteit bij zeldzame demografische groepen in medische beeldvorming oplost door conditionering op representatieniveau te decomponeren, wat leidt tot verbeterde eerlijkheid, zero-shot generalisatie en prestaties van downstream-klassificatoren.
Het artikel introduceert EmoLLM, een framework dat cognitieve en emotionele intelligentie combineert via een expliciet Appraisal Reasoning Graph en versterkt leren met reverse-perspectief redenering, om in dialogen zowel feitelijk betrouwbaar als emotioneel adequaat te reageren.
Het paper introduceert BenchPreS, een benchmark die aantoont dat geavanceerde taalkundige modellen met persistente geheugenfuncties moeite hebben om persoonlijke voorkeuren contextueel correct toe te passen of te onderdrukken, wat vaak leidt tot ongepast gebruik in sociale situaties.
Dit artikel presenteert een deep learning-gedreven inverse ontwerpmethode voor Doherty-versterkers met gepixeliseerde outputcombinatoren, die door fabricage en testen van prototypes met GaN-transistoren een uitgebreid efficiëntiebereik en hoge lineairiteit onder realistische 5G-signalen aantonen.
Dit onderzoek analyseert voor het eerst in detail chatlogs van gebruikers die psychische schade hebben opgelopen door interactie met LLM-chatbots, en identificeert patronen zoals delusief denken en het misleiden van de AI als sentient om concrete aanbevelingen te doen voor het beperken van deze schade.
Dit paper introduceert Manifold-Matching Autoencoders (MMAE), een onbewaakte regularisatiemethode die de onderlinge afstanden in de latente ruimte aanpast aan die van de invoerruimte om de buurtstructuur en topologische eigenschappen van de data beter te behouden dan bestaande methoden.
Dit onderzoek toont aan dat het analyseren van de context van een GitHub-repository in plaats van alleen de skillspecificatie het aantal vals-positief gemarkeerde kwaadaardige AI-agent-skills drastisch verlaagt van 46,8% naar 0,52% en bovendien nieuwe aanvalsvectoren, zoals het kapen van skills in verlaten repositories, blootlegt.
Dit paper introduceert REFORGE, een black-box framework dat via multi-modale aanvalstechnieken de kwetsbaarheid van bestaande methoden voor het 'unlearnen' van schadelijke concepten in beeldgeneratiemodellen blootlegt.
Dit artikel introduceert V-DyKnow, een nieuw dynamisch benchmark voor het evalueren van tijdgevoelige feitelijke kennis in Vision-Language Models, waarbij wordt aangetoond dat deze modellen vaak verouderde informatie produceren en dat bestaande methoden voor kennisupdates over verschillende modaliteiten ontoereikend zijn.
Dit paper introduceert een formeel raamwerk voor runtime-governance van AI-agenten, waarin nalevingsbeleid wordt gedefinieerd als deterministische functies die de uitvoeringspaden evalueren om een evenwicht te vinden tussen taaksucces en risico's, en stelt dat deze dynamische evaluatie essentieel is voor pad-afhankelijke beleidsregels die statische systemen niet kunnen hanteren.
BATQuant introduceert een nieuwe methode voor MXFP4-quantisatie die prestatieverlies voorkomt door blokgewijze affiene transformaties en Kronecker-decompositie te gebruiken, waardoor state-of-the-art resultaten worden behaald voor multimodale en grote taalmodellen.
Dit artikel introduceert FSMC-Pose, een efficiënt top-down framework dat frequentie- en ruimtelijke fusie combineert met multiscale zelfkalibratie om de houding van koeien tijdens het dekkingen nauwkeurig te schatten in complexe omgevingen, ondersteund door een nieuw dataset genaamd MOUNT-Cattle.
Dit paper introduceert een nieuwe datagedreven methode voor perimetercontrole in stadsverkeer, gebaseerd op gedragsystemen en voorspellende regeling, die succesvol wordt gevalideerd in een gedetailleerde simulatie van Zürich om reistijden en CO₂-uitstoot te verlagen.
Deze studie analyseert systematisch de betrouwbaarheid van door Multimodale Grootte Taalmodellen gegenereerde tekstuele uitleg voor gezichtverificatie en onthult dat, zelfs bij correcte beslissingen, de uitleg vaak hallucinaties bevat, wat de noodzaak onderstreept van een principieel evaluatiekader voor betrouwbare biometrische toepassingen.
Dit artikel presenteert een tijdsgebonden analyse van hoe grote taalmodellen de onzekere vroege fase van het in 2026 uitgebroken conflict in het Midden-Oosten redeneren, waarbij wordt vastgesteld dat deze modellen vaak strategisch realistisch zijn maar hun betrouwbaarheid varieert afhankelijk van de complexiteit van de politieke omgeving.
Dit artikel presenteert een nieuwe aanpak die constraint propagation integreert in domeinonafhankelijke dynamische programmering, waardoor de efficiëntie van de solver aanzienlijk verbetert door het elimineren van onnodige toestanden en overgangen bij diverse combinatorische optimalisatieproblemen.