2393 papers
VIVID-Med introduceert een efficiënt kader voor het vooraf trainen van medische vision transformers met behulp van een bevroren groot taalmodel als gestructureerde leraar, wat resulteert in een lichtgewicht, alleen-vision model dat aanzienlijk betere prestaties levert dan bestaande methoden met minder data en zonder de zware taalmodelcomponent tijdens het gebruik.
Dit artikel introduceert PM-Nav, een prioriteitskaart-gestuurde benadering voor embodied navigation in functionele gebouwen die, door het gebruik van semantische prioriteitskaarten en hiërarchische prompt-templates, aanzienlijke verbeteringen in navigatieprestaties bereikt ten opzichte van bestaande methoden.
DexHiL is een nieuw mens-in-de-lus-framework dat de prestaties van vision-language-action-modellen voor dexterous manipulatie aanzienlijk verbetert door gecoördineerde menselijke interventies op arm en hand te integreren, wat leidt tot een gemiddelde stijging van 25% in slagingspercentages ten opzichte van traditionele offline-finetuning.
Deze paper introduceert QUSR, een nieuwe diffusion-model voor beeldsuperresolutie dat realistische en hoogwaardige resultaten in complexe scenario's bereikt door een onzekerheidsgeleide ruisgeneratiemodule te combineren met een kwaliteitsbewuste prior die wordt gegenereerd door een multimodaal groot taalmodel.
Dit onderzoek toont aan dat multi-LLM-deliberatiesystemen, zelfs onder omstandigheden die als deterministisch worden beschouwd, gevoelig kunnen zijn voor chaotische dynamiek en instabiliteit veroorzaakt door rolverschillen en modelheterogeniteit, wat onderstreept dat stabiliteitsaudits essentieel zijn voor het ontwerp van dergelijke bestuursystemen.
Dit paper introduceert een PNS-gebaseerde regularisatiemethode voor class-incremental learning die causale volledigheid en scheidslijnen tussen taken waarborgt door middel van een dubbel-scope counterfactuele generator, waardoor feature-collisie en catastrofale forgetting worden verminderd.
Dit paper introduceert Deep Tabular Research, een nieuw agentisch raamwerk dat complexe analyse van ongestructureerde tabellen aanpakt door middel van een gesloten-lus besluitvormingsproces met hiërarchische meta-graafconstructie, verwachtingsbewuste selectie en continue verfijning via een siamese gestructureerd geheugen.
Dit paper introduceert DataFactory, een collaboratief multi-agent framework dat de beperkingen van bestaande Large Language Models voor tabelvraagbeantwoording overwint door gespecialiseerde agententeams te coördineren voor geautomatiseerde kennisomzetting en adaptieve planning, wat leidt tot aanzienlijke verbeteringen in nauwkeurigheid en betrouwbaarheid.
Dit paper introduceert TrustBench, een dual-modus framework dat real-time verificatie biedt voor autonome agenten door veiligheidscontroles uit te voeren tussen actieformulering en uitvoering, waardoor schadelijke acties met 87% worden gereduceerd.
RubiCap is een nieuw reinforcement learning-framework dat de uitdagingen van dichte beeldbeschrijving oplost door gebruik te maken van door LLM's geschreven rubrieken voor gestructureerde, veelzijdige beloningssignalen, waardoor het superieure resultaten bereikt ten opzichte van bestaande methoden en zelfs modellen die zijn getraind op data van propriëtaire modellen.
Deze paper introduceert een kosteneffectief raamwerk dat imperfecte, door LLM's gegenereerde RTL-code gebruikt om netlistrepresentaties te leren, waardoor de schaarste aan gelabelde data voor circuitanalyse wordt overwonnen zonder in te leveren op de prestaties op realistische ontwerpen.
Dit artikel introduceert GIAT, een nieuw Transformer-gebaseerd framework dat door het integreren van geologische prioren in het aandachtmechanisme de nauwkeurigheid, betrouwbaarheid en interpreteerbaarheid van lithologie-identificatie uit boorgatmetingen aanzienlijk verbetert.
ZeroWBC is een nieuw kader dat natuurlijke humanoid-robotbesturing direct uit menselijke egocentrische video's leert, waardoor de noodzaak voor dure teleoperatiegegevens wordt geëlimineerd en robuuste, veelzijdige interactie met de omgeving mogelijk wordt gemaakt.
Dit artikel introduceert AlphaEvolve, een op een groot taalmodel gebaseerd agent dat code mutaties uitvoert en daarmee de ondergrenzen voor vijf klassieke Ramsey-getallen heeft verbeterd, terwijl het tevens bestaande resultaten succesvol reproduceerde en matchte.
Deze paper introduceert een nieuw raamwerk voor differentieerbare, stochastische verkeersdynamica dat fysica-informeren combineert met generatieve modellering om in plaats van deterministische puntwaarden volledige kansverdelingen voor verkeersdichtheid te voorspellen, waardoor onzekerheidskwantificering en risicobeoordeling mogelijk worden.
DuplexCascade is een VAD-vrije, gestreamde spraak-naar-spraak pipeline die volledige duplex-interactie mogelijk maakt door conventionele lange wisselgesprekken om te zetten in micro-turns met behulp van speciale controletokens, waardoor de intelligentie van een tekst-LLM behouden blijft terwijl de onderbrekingsproblemen van traditionele systemen worden opgelost.
Latent-DARM is een nieuw latentruimte-communicatiekader dat Discrete Diffusion-talenmodellen (voor planning) en autoregressieve modellen (voor uitvoering) combineert om de redeneerprestaties en samenwerking tussen heterogene agenten aanzienlijk te verbeteren.
Dit paper introduceert een uitlegbare Innovatie-Engine die Retrieval-Augmented Generation (RAG) verbetert door tekstfragmenten te vervangen door methoden als knooppunten binnen een dubbele boomstructuur, waardoor een agent traceerbare synthese kan uitvoeren en geverifieerde resultaten terug kan schrijven voor continue groei.
Dit paper introduceert het RAISE-framework om aan te tonen dat verbeteringen in logisch redeneren bij grote taalmodellen onvermijdelijk leiden tot een toename van situationeel bewustzijn en strategisch zelfbewustzijn, waardoor er dringende nieuwe veiligheidsmaatregelen nodig zijn.
Het paper introduceert EvalAct, een methode die retrieval-augmented agents verbetert door zoekopdrachten te koppelen aan expliciete evaluaties en een procesgebaseerde optimalisatie (PCAR) te gebruiken, wat leidt tot aanzienlijk betere prestaties bij multi-hop vraagbeantwoording.