13559 papers
Het paper introduceert TRACE, een trainingsvrij framework dat de abrupte onderbrekingen in de trajecten van ingebouwde spraakembeddings van foundation-modellen analyseert om gedeeltelijke audio-deepfakes effectief te detecteren zonder gesleutelde data of hertraining.
Dit paper toont aan dat 'induction heads' in grote taalmodellen een cruciale mechanistische rol spelen bij het vastleggen van tijdsafhankelijkheden en het vertonen van een serieel-herinneringspatroon tijdens in-context learning.
Dit paper introduceert XOR-SMOO, een nieuw algoritme dat via hashen en randomisatie met hoge waarschijnlijkheid een nauwkeurige benadering van de Pareto-frontier voor stochastische multi-objectieve optimalisatieproblemen bereikt met slechts een polynoom-logaritmisch aantal queries naar een SAT-orakel, waardoor het zowel de rekentijd aanzienlijk verlaagt als de kwaliteit van de oplossingen verbetert.
Dit paper introduceert Adversarial Moral Stress Testing (AMST), een evaluatiekader dat ethische robustheid van grote taalmodellen test onder geavanceerde, meervoudige interacties om degradatiepatronen en zeldzame fouten bloot te leggen die door conventionele een-rondje benchmarks onopgemerkt blijven.
Een studie met 432 studenten toont aan dat een hoger vertrouwen in AI juist leidt tot minder geschikt gebruik van AI-hulp bij programmeertaken, waarbij deze negatieve relatie wordt versterkt door de mate van AI-geletterdheid en de behoefte aan cognitieve inspanning.
Dit paper introduceert MoA-DepthCLIP, een parameter-efficiënt framework dat pretrained CLIP-representaties via een lichtgewicht Mixture-of-Adapters-module en selectieve fine-tuning aanpast voor monokulaire diepteschattings taken, wat resulteert in aanzienlijk betere prestaties op de NYU Depth V2-benchmark met een minimaal aantal trainbare parameters.
Deze paper introduceert PaperRecon, een evaluatiekader dat de kwaliteit en risico's van door AI geschreven papers meet via een reconstructietest, en onthult een duidelijke afweging tussen presentatiekwaliteit en hallucinaties bij verschillende modellen.
Dit artikel introduceert LCGU net, een generatieve aanpak op basis van een bi-directionele GAN die hyperspectrale niet-lineaire ontbinding uitvoert zonder een expliciet mengmodel te vereisen, door gebruik te maken van cyclische consistentie en een koppeling tussen lineaire en niet-lineaire mengsels.
Dit artikel introduceert NARCBench, een benchmark en reeks proeftechnieken die de interne activeringen van taalmodellen gebruiken om collusie tussen meerdere agenten te detecteren, zelfs bij veranderingen in de omgeving en in steganografische taken.
Het artikel introduceert Brainstacks, een modulaire architectuur voor continue leerprocessen van grote taalmodellen die domeinspecifieke expertise vastlegt in bevroren adapterstapels met een MoE-LoRA-routingsysteem, waardoor het model zonder vergeten nieuwe vaardigheden kan leren en via een meta-router automatisch overdraagbare cognitieve primitieven combineert voor complexe cross-domein taken.