16428 papers
Deze collectie bundelt wetenschappelijke voorpublicaties die variëren van chemische synthese tot complexe logistieke systemen. Het spectrum loopt van deeltjesfysica en organische chemie tot astronomische waarnemingen, waarbij onderzoekers hun nieuwste bevindingen delen voordat ze officieel door een tijdschrift worden goedgekeurd.
Op Gist.Science doorlopen we elke nieuwe preprint in deze categorie die op arXiv verschijnt. Wij vertalen deze complexe teksten naar begrijpelijke samenvattingen in gewone taal, naast uitgebreide technische analyses, zodat zowel leken als experts de kern van het onderzoek snel kunnen vatten.
Hieronder vind je de meest recente publicaties uit dit brede wetenschappelijke domein, direct beschikbaar voor je leestafel.
Dit artikel stelt een Deep Operator Network (DeepONet)-framework voor, verbeterd met residu-leren en een dataggregatiestrategie, om het dynamische transiënte gedrag van synchrone generatoren nauwkeurig te benaderen en te simuleren voor integratie in elektriciteitsnet-simulatoren.
Dit artikel toont aan dat de validiteit van de RemOve-And-Retrain (ROAR) benchmark wordt aangetast omdat post-processing attributiekaarten scores kunstmatig kunnen verbeteren zonder informatie toe te voegen, wat een systematische bias naar ruimtelijk wazige maskers onthult die het vermogen ondermijnt om feature-attributiemethoden accuraat te evalueren.
Dit artikel maakt gebruik van algebraïsche meetkunde om de functieruimten van ongenormaliseerde self-attention-netwerken te analyseren, waarbij de identificeerbaarheid en dimensie worden vastgesteld en singuliere punten worden gekarakteriseerd, en deze resultaten voor genormaliseerde architecturen worden geconjectureerd.
Dit artikel stelt een Generative AI-Powered Inference (GPI) methodologie voor die gebruikmaakt van grote taalmodellen om behandelingen te genereren en hun interne representaties te benutten voor een nauwkeurigere en efficiëntere schatting van causale effecten uit ongestructureerde tekst, waardoor de noodzaak om causale representaties direct uit data te leren wordt geëlimineerd en veelvoorkomende uitdagingen zoals confounding en overlap-schendingen worden overwonnen.
Dit artikel analyseert de effectiviteit van Stochastic Gradient Descent (SGD) in niet-convexe optimalisatie door het te modelleren via degeneratieve Fokker-Planck-PDE's, waarbij onderscheidende drift- en diffusieregimes worden geïdentificeerd om gewichtconcentratie, ontsnappingstijden uit lokale minima en asymptotische convergentie te kwantificeren met behulp van nieuwe dualiteits- en entropietechnieken.
Prism is een geheugencentrisch LLM co-serving framework dat gebruikmaakt van een nieuwe memory ballooning techniek genaamd kvcached om GPU-geheugen dynamisch terug te winnen en opnieuw toe te wijzen over meerdere modellen, waardoor ruimtelijke en temporele sharing wordt verenigd om de kostenefficiëntie en SLO-naleving in productieomgevingen te verbeteren.
Dit artikel stelt een meta-learning trainingsstrategie voor die gebruikmaakt van gecureerde, kleinschalige, domeinspecifieke datasets om de in-context generalisatie van transformers te verbeteren, waarbij wordt aangetoond dat deze aanpak prestaties bereikt die vergelijkbaar zijn met grootschalige training, terwijl het superieure datakwaliteit, modulariteit en robuustheid tegen vergeten biedt.
Dit artikel toont aan dat grote taalmodellen van nature hiërarchische emotiestructuren ontwikkelen die overeenkomen met de menselijke psychologie, terwijl ze tegelijkertijd systematische vooroordelen in emotieherkenning onthullen die ondervertegenwoordigde groepen onevenredig hard treffen.
Dit artikel introduceert de Urysohn Machine, een metrieks-topologisch computationeel model dat Urysohn-triples en een constructief realisatiestelling gebruikt om classificatiecomplexiteit te definiëren via geometrische maten zoals de breedte van de beslissingsgrens, terwijl het garanties bewijst voor geamortiseerde scheiding, stabiliteit en schaalbaarheid in een herbruikbaar framework.
Het artikel introduceert GetNetUPAM, een ecologisch geïnformeerd genest cross-validatiekader gekoppeld aan een ruisbestendige aandacht-gebaseerde CNN (ARPA-N), om de generalisatie en betrouwbaarheid van mariene bioakoestische monitoring aanzienlijk te verbeteren door effectief hoog-ruisige condities aan te pakken en overfitting op gelokaliseerde omgevingsartefacten te voorkomen.