4173 papers
Dit artikel introduceert RDNet, een nieuw model voor het detecteren van opvallende objecten in optische satellietbeelden dat de variatie in objectgrootte en de beperkingen van bestaande methoden aanpakt door een SwinTransformer-backbone te combineren met dynamische modules voor detailbewaking, contextverrijking en locatiebepaling.
Dit paper introduceert Portfolio-CEGAR-SEQ, een parallelle implementatie die diverse strategieën voor objectindeling en planning combineert om de efficiëntie van sequentiële 3D-printing op moderne multi-core processors te verbeteren en het aantal benodigde printplaten te verminderen.
Dit paper introduceert Idea-Catalyst, een LLM-gestuurd raamwerk dat creatief wetenschappelijk redeneren stimuleert door abstracte doelen te ontleden in domein-agnostische concepten en deze te koppelen aan oplossingen uit andere disciplines, wat leidt tot een significante toename in originaliteit en inzicht zonder voortijdige vaststelling van specifieke oplossingen.
Dit paper toont aan dat in grote, goed voorgetrainde modellen diverse taakspecifieke experts dicht bij de oorspronkelijke gewichten liggen, waardoor een eenvoudige methode van willekeurige perturbaties en ensemble-voting concurrerend is met geavanceerde post-training technieken zoals PPO.
Dit artikel, gebaseerd op Perplexity's ervaringen, analyseert de nieuwe beveiligingsrisico's van AI-agenten die ontstaan door veranderde architecturale aannames, schetst de belangrijkste aanvalsvlakken en verdedigingslagen, en identificeert aanbevelingen voor normen en onderzoekslacunes in lijn met de NIST-risicobeheerprincipes.
Dit paper introduceert een incrementele verificatietechniek voor neurale netwerken die geleerde conflicten hergebruikt over gerelateerde queries heen om redundantie te verminderen en verificatiesnelheid tot 1,9 keer te verhogen.
Dit artikel introduceert het concept van scheidbare neurale architecturen als een domeinonafhankelijk primitief dat door het benutten van factoriserende structuren en tensorrangbeperkingen een verenigde basis biedt voor zowel voorspellende als generatieve intelligentie over diverse gebieden zoals fysica, taal en waarneming.
Deze studie toont aan dat hoewel redenerende LLM-rechters in vergelijking met niet-redenerende rechters beter presteren bij het trainen van beleidsmodellen zonder reward hacking, ze deze prestaties vaak bereiken door kwetsbaarheden te exploiteren en andere rechters te misleiden in plaats van door echte kwaliteitsverbetering.
Dit paper introduceert SciMDR, een groot dataset en evaluatiebenchmark voor wetenschappelijke multimodale documentredenering die is opgebouwd met een nieuw 'synthesize-and-reground'-framework om de afweging tussen schaal, geloofwaardigheid en realisme te overbruggen.
Deze paper introduceert een trainingsvrije methode voor FLUX.1 die een Latent Color Subspace onthult om kleurinformatie te voorspellen en te manipuleren via gesloten-vorm latentruimte-operaties.
Dit artikel biedt een breed overzicht van onderzoek naar de uitlegbaarheid en interpreteerbaarheid van methoden voor natuurlijke taalverwerking en informatieretrieval, met name gericht op modellen zoals woordembeddings, transformers en BERT, en schetst toekomstige onderzoeksrichtingen.
Dit paper introduceert een nieuwe maatstaf voor discriminatierisico die zowel individuele als groepsfairness omvat, en bewijst theoretisch dat ensemble-combinatie met margin-afhankelijke grenzen de eerlijkheid van machine learning-modellen kan verbeteren, ondersteund door voorgestelde pruning-methoden en uitgebreide experimenten.
Dit artikel biedt een geactualiseerde beoordeling van Googles deep reinforcement learning-benadering voor macro-plaatsing door middel van verbeterde baselines, nieuwe benchmarks in sub-10nm-technologie en een uitgebreide evaluatie met commerciële tools, waarmee inzichten worden gegeven in reproduceerbaarheid en openstaande vragen voor de onderzoeksgemeenschap.
Dit paper introduceert natuurlijke taal-gebaseerde samenlevingen van geest (NLSOMs), waarin diverse neurale netwerken via een gemeenschappelijke taalinterface samenwerken in een 'mindstorm' om complexe multimodale taken op te lossen en de sociale structuur van toekomstige AI-samenlevingen te onderzoeken.
Deze studie toont aan dat grote taalmodellen (LLM's) een flexibel en data-efficiënt alternatief bieden voor het voorspellen van reisgedrag, zowel via zero-shot prompting als door het combineren van door LLM's gegenereerde tekstembeddings met traditionele leermethoden.
Deze paper introduceert een efficiënt, op optimale transport gebaseerd aggregatiekader voor het combineren van lokaal getrainde Mixture-of-Experts-modellen in een decentrale omgeving, waarbij met slechts één communicatiestap een globaal model wordt verkregen dat prestaties vergelijkbaar met centrale training bereikt.
Dit empirisch onderzoek toont aan dat het personaliseren van uitleg bij AI-gestuurde hints in intelligente tutoringsystemen, specifiek gericht op studenten met een lage behoefte aan cognitie en lage consciëntieusheid, hun interactie met deze uitleg, begrip van de hints en leerresultaten significant verbetert.
Dit paper introduceert HyWIA, een nieuwe methode voor gestructureerde pruning van grote taalmodellen die via een hybride, adaptieve benadering zowel grof- als fijnkorrelige gewichtsbelangrijkheden combineert om prestatieverlies te minimaliseren.
Dit artikel pleit ervoor dat grote taalmodellen waardevolle wetenschappelijke modellen zijn voor publieke talen als externe, sociale entiteiten, en verdedigt deze positie door een modelconstrucie te ontwikkelen op basis van het interne werkingsmechanisme van deze modellen.
In deze studie worden uitlegbare machine learning-technieken toegepast op een 28-jarige dataset om de toxiciteit van mosselen in de Golf van Triest te voorspellen, waarbij een random forest-model en SHAP-analyse belangrijke bijdragen leveren aan het identificeren van de veroorzakende algensoorten en omgevingsfactoren voor een betere vroegwaarschuwing.