3852 papers
Dit paper introduceert drie nieuwe aanvallen die gevoelige invoer van grote taalmodellen via de KV-cache kunnen reconstrueren en stelt KV-Cloak voor, een lichtgewicht verdedigingsmechanisme dat deze privacyrisico's effectief neutraliseert zonder de prestaties of nauwkeurigheid van het model te beïnvloeden.
Dit paper introduceert het Yokai Learning Environment (YLE), een uitdagende nieuwe benchmark voor zero-shot coördinatie die de beperkingen van de bestaande Hanabi-benchmark blootlegt door te vereisen dat agenten geloofsoverdracht, ambiguïteit en spelbeëindiging beheren, waardoor wordt aangetoond dat huidige toonaangevende methoden in YLE falen terwijl ze in Hanabi uitstekend presteren.
Dit onderzoek toont aan dat zowel gespecialiseerde symbolische modellen als standaard transformatoren met stick-breaking-attention effectief STRIPS-wereldmodellen kunnen leren uit actietraces om planning over onbekende toestanden en doelen mogelijk te maken, waarbij de standaardtransformatoren echter beter generaliseren en makkelijker te optimaliseren zijn.
Dit artikel biedt een theoretische verklaring voor de voordelen van het synchroniseren van trainbare inverse temperatuur en bias onder de sigmoid-verliesfunctie, zoals gebruikt in SigLIP-modellen, door een nieuw combinatorisch object genaamd -Constellations te introduceren dat de succesvolle prestaties, de modale kloof en de benodigde dimensie voor kwalitatief hoogwaardige representaties verklaart.
Het paper introduceert RADAR, een lichtgewicht en interpreteerbaar routeringskader dat, geïnspireerd door psychometrie, query's dynamisch toewijst aan de meest geschikte reasoning-LLM-configuratie op basis van de moeilijkheidsgraad van de vraag en het beschikbare reasoning-budget om zo de prestaties te maximaliseren en de kosten te optimaliseren.
Dit paper introduceert een benchmark om de systematische bias in de tool-selectie van LLM-agents te kwantificeren, identificeert metadata en pre-training als belangrijkste oorzaken, en stelt een lichtgewicht mitigatiestrategie voor om deze onrechtvaardige voorkeuren te verminderen.
Dit paper introduceert MonitorVLM, een nieuw visueel-taalframework dat automatisch veiligheidsvoorschriften schendingen in mijnbouw detecteert door middel van een gespecialiseerd dataset, een clausulefilter en een gedragversterker, wat leidt tot aanzienlijk betere prestaties dan bestaande modellen.
Dit artikel presenteert de eerste systematische evaluatie van zelftoezichthoudend leren (SSL) voor slaapstadiëring met draagbare EEG, waarbij wordt aangetoond dat deze aanpak de prestaties aanzienlijk verbetert en klinisch bruikbare nauwkeurigheid bereikt met slechts 5% tot 10% van de benodigde gelabelde data.
Het paper introduceert HyWA, een methode die hypernetwerken gebruikt om gepersonaliseerde gewichten voor een standaard spraakactiviteitsdetectiemodel te genereren, wat leidt tot betere prestaties en eenvoudigere implementatie dan bestaande technieken.
Deze paper introduceert een uitlegbaar, bias-bewust generatief model dat cross-modale aandacht, Grad-CAM++-attributie en een 'Reveal-to-Revise'-feedbacklus verenigt om zowel de prestaties als de eerlijkheid en robuustheid van AI-systemen in multimodale en tekstuele toepassingen te verbeteren.
Dit paper introduceert MVCustom, een nieuw diffusion-gebaseerd framework dat geometrisch consistente meerbeeldgeneratie combineert met promptgestuurde aanpassing door middel van een feature-field representatie en innovatieve inferencetechnieken voor dieptebewust rendering en latente voltooiing.
Dit paper introduceert het Hermite-eigenstructuur-ansatz (HEA), een theoretisch raamwerk dat leercurves voor kernelregressie op realistische datasets voorspelt door uitsluitend gebruik te maken van ruwe datastatistieken, en toont aan dat dit model ook de leerorde van MLP's in het kenmerkleerregime nauwkeurig beschrijft.
Het artikel introduceert KVTC, een lichtgewicht coderingstechniek die de Key-Value-cache van grote taalmodellen met tot 20 keer comprimeert door decorrelatie, adaptieve kwantisatie en entropiecodering toe te passen, waardoor het GPU-geheugenverbruik aanzienlijk wordt verlaagd zonder in te leveren op de nauwkeurigheid.
Deze studie evalueert zes LLM-systemen op hun vermogen om als expert te reageren op complexe vragen over hoogtemperatuur-supergeleiding en concludeert dat systemen met retrieval-augmented generation (RAG) op een door experts samengestelde dataset betere prestaties leveren dan gesloten modellen.
In dit artikel wordt DeepEyesV2 geïntroduceerd, een agentic multimodaal model dat door middel van een twee-traps trainingspipeline (koude start gevolgd door versterkingsleren) en een nieuw benchmark RealX-Bench effectief externe hulpmiddelen zoals code-uitvoering en webzoekopdrachten integreert in complexe redeneertaken.
Dit paper introduceert "What We Don't C", een nieuwe methode op basis van latent flow matching die latente subruimten ontrafelt door conditionele informatie expliciet te verwijderen, waardoor residuale representaties ontstaan die factoren van variatie blootleggen die niet in de conditionering waren opgenomen.
Dit paper introduceert D-GAP, een dataset-onafhankelijke en gradiënt-gestuurde augmentatiemethode die de out-of-domain robuustheid van computer-visionmodellen verbetert door gerichte verstoringen toe te passen in zowel de frequentie- als pixelruimte om leerbias te verminderen en details te behouden.
Dit paper introduceert STREAM-VAE, een variational autoencoder met een dual-path architectuur die langzame drifts en snelle pieken in voertuigtelemetrie expliciet scheidt om de robuustheid en betrouwbaarheid van anomaliedetectie te verbeteren.
Dit paper introduceert REMSA, een constraint-aware agent die gebaseerd is op de gestructureerde RSFM-database en natuurlijke taalverwerking gebruikt om de meest geschikte foundation model voor specifieke remote sensing-taken automatisch te selecteren en te verantwoorden.
Deze paper introduceert een hiërarchisch dubbelstrategisch kader voor selectief vergeten in medische grote taalmodellen dat, door het combineren van geometrisch beperkte gradiëntupdates en conceptbewuste tokeninterventies, specifieke privacygevoelige kennis effectief verwijdert terwijl fundamentele medische competenties behouden blijven en slechts 0,1% van de parameters wordt aangepast.