3846 papers
Dit paper introduceert FedFew, een persoonlijk federatief leerframework dat het probleem van het bedienen van vele clients met slechts een paar gedeelde servermodellen (K << M) reformuleert als een few-for-many optimalisatieprobleem, wat leidt tot schaalbare en automatisch geoptimaliseerde personalisatie die state-of-the-art methoden overtreft.
Deze empirische studie toont aan dat hoewel Reinforcement Fine-Tuning (RFT) LLM-agenten goed laat generaliseren binnen een omgeving, de overdracht naar onbekende omgevingen beperkt blijft door semantische en interface-verschuivingen, terwijl sequentiële training en mix-training veelbelovende oplossingen bieden voor robuustere generalisatie.
Dit paper introduceert Flowcean, een modulair en gebruiksvriendelijk raamwerk dat data-gedreven machine learning automatiseert om efficiënte modellen voor Cyber-Physical Systems te genereren.
Dit artikel onderzoekt hoe ontwerpers hun creatieve agency kunnen behouden bij samenwerking met intelligente technologieën zoals LLMs, door te pleiten voor introspectie, technologische kennis en het bewust aanpassen van de mens-technologie dynamiek.
Dit artikel presenteert een effectieve sim-naar-realiteit aanpak voor diepe versterkingslering, waarbij een Girona AUV met succes wordt getraind in een vermenigvuldigde Stonefish-simulatie om autonome onderwaterdokking met een slagingspercentage van meer dan 90% te realiseren en te valideren in een fysiek testtank.
Dit paper introduceert LabelPigeon, een raamwerk dat XML-tags gebruikt om vertaling en labelprojectie gelijktijdig uit te voeren, wat leidt tot verbeterde vertaalkwaliteit en aanzienlijke winst in cross-linguale transfer voor downstream-taken zonder de vertaalkwaliteit te schaden.
Dit paper introduceert 'Cascade', een aanvalsmethode die traditionele software- en hardwarekwetsbaarheden combineert met algoritmische zwaktes in samengestelde AI-systemen om de integriteit en vertrouwelijkheid van deze systemen te ondermijnen.
Het artikel introduceert Slow-Fast Inference, een trainingsvrij raamwerk dat de inferentieversnelling bereikt door generatie te splitsen in frequente snelle stappen met een compacte geheugengebruik en zeldzame langzame stappen die de context bij semantische grenzen ververst, waardoor de doorvoer met 1,6 tot 14,4 keer toeneemt zonder kwaliteitsverlies.
XSkill is een tweestromenframework dat multimodale agenten in staat stelt om zonder parameterupdates continu te leren uit ervaringen en vaardigheden die visueel zijn verankerd, waardoor ze in open-ended omgevingen efficiënter hulpmiddelen kunnen gebruiken en beter kunnen plannen.
Dit paper introduceert een trainingsvrije methode voor grof-gestuurde visuele generatie die gebruikmaakt van h-transformatie en een ruisniveau-gevoelige schema om hoogwaardige afbeeldingen en video's te synthetiseren vanuit lage-kwaliteit referenties zonder de noodzaak van gepaarde trainingsdata of kennis van de transformatieoperator.
Dit artikel bewijst wiskundig en valideert numeriek dat chemische reactienetwerken zonder verborgen lagen bepaalde classificatietaken efficiënter en nauwkeuriger kunnen leren dan spiking-neuronale netwerken die wel verborgen lagen vereisen.
Dit artikel presenteert een systematische taxonomie van geavanceerde operatoren die convolutie vervangen of uitbreiden in beeldverwerking, ingedeeld in vijf families op basis van hun structuur en geschiktheid voor verschillende taken.
LoV3D is een geavanceerde pipeline die longitudinale 3D-hersenen-MRI-scans analyseert door regionale volumetrische beoordelingen te koppelen aan een cognitieve prognose, waardoor hallucinaties worden verminderd en de diagnose van neurodegeneratieve ziekten zoals Alzheimer aanzienlijk nauwkeuriger en biologisch plausibeler wordt.
Dit paper introduceert een multi-label deep learning-framework op basis van Temporal Convolutional Networks dat de binding van transcriptiefactoren aan DNA voorspelt door samenwerkingsmechanismen te modelleren, waardoor zowel bekende interacties worden bevestigd als nieuwe co-bindingspatronen worden ontdekt.
Deze paper introduceert een kostenefficiënte, iteratieve Neural Architecture Search-methode die gebruikmaakt van gespecialiseerde, niet-finetuned large language models en een historische feedbackgeheugen om binnen een enkele consumer GPU compacte en hoogpresterende beeldclassificatie-architecturen te ontwerpen zonder cloud-infrastructuur.
Dit paper introduceert LMP2, een browsergebaseerde zelfaudittool, en presenteert bevindingen uit twee gebruikersstudies die aantonen dat grote taalmodellen vaak persoonlijke kenmerken kunnen voorspellen, terwijl het onderzoek ook negen fricties blootlegt die de ontwikkeling van betrouwbare, mensgerichte privacyaudits voor generatieve AI belemmeren.
Dit artikel presenteert een robuust multi-agent versterkingsleringsframework voor verkeerslichtregeling dat door middel van draairatio-randomisatie, een exponentiële fase-aanpassingsactie en een op buren gebaseerde observatiestrategie de generalisatie en stabiliteit verbetert, wat resulteert in een reductie van de gemiddelde wachttijd met meer dan 10% vergeleken met bestaande methoden.
Dit paper introduceert het concept van 'informatie zelfvergrendeling' bij RL-getrainde LLM-agents voor actief redeneren, analyseert de onderliggende oorzaken in actie-selectie en geloofstracking, en stelt een effectieve oplossing voor die door het injecteren van gerichte critiques tot 60% verbetering bereikt.
Dit paper introduceert MMDDPG, een nieuw framework dat via een minimax-optimatie met een fractioneel doel de stabiliteit en robuustheid van deep reinforcement learning-agenten in continu besturingstaken verbetert door ongewenste verstoringen en modelonzekerheden effectief te weerstaan.
Dit paper introduceert SommBench, een meertalige benchmark die de sommelier-expertise van taalmodellen test op wijntheorie, kenmerkvolleding en voedsel-wijncombinaties om te evalueren of tekstuele training voldoende is voor zintuiglijke oordelen.