23413 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 onderzoekt de afwegingen tussen nut, eerlijkheid en differentiële privacy in neurale netwerken, waarbij wordt vastgesteld dat een model dat beide beperkingen combineert (DPF-NN) superieure eerlijkheid bereikt met minimaal verlies aan nauwkeurigheid bij hoge privacy-niveaus, ondanks dat het voorheen werk op het gebied van risicieverschil tekortschiet.
Dit artikel toont aan dat AlphaZero-stijl reinforcement learning-algoritmen er niet in slagen om een expert-niveau van meesterschap te bereiken in onpartijdige spellen zoals Nim vanwege een fundamentele representationele flessenhals bij het leren van abstracte wiskundige principes, wat onthult dat eenvoudige hyperparameteroptimalisatie de onmacht om te generaliseren voorbij gememoriseerde toestanden niet kan overwinnen.
Het artikel introduceert MWaste, een mobiele applicatie die gebruikmaakt van deep learning en computer vision om huishoudelijk afval met 92% precisie nauwkeurig te classificeren in zes categorieën, met als doel de recyclingefficiëntie te verbeteren en klimaatverandering te mitigeren.
Dit artikel stelt een instance-wise linearisatie-aanpak voor die de niet-lineaire forward-berekening van neurale netwerken herformuleert naar een enkele lineaire matrixvermenigvuldiging op basis van unieke activatiepatronen, waardoor het een precieze feature-attributie biedt en exact onthult hoe inputkenmerken bijdragen aan voorspellingen in zowel supervised als unsupervised learning-taken.
Dit artikel stelt een raamwerk voor voor hoogdimensionale lineaire contextuele bandits met knapsacks dat schaarsheid benut via een online harde drempelwaarde-schatter en een prijm-duaal schema om sublineaire regret te bereiken met een logaritmische afhankelijkheid van de featuredimensie, terwijl het bounds verder verbetert onder diverse-covariaat of marge-condities.
Dit artikel toont aan dat het toepassen van transfer learning en fine-tuning op RGB-banden van de EuroSAT-dataset zeer nauwkeurige (99,19%) landgebruik- en landbedekkingskaarten mogelijk maakt, wat een waardevolle tool biedt voor milieumonitoring, stedelijke planning en klimaatveranderingmitigatie.
Dit artikel stelt een verenigd offline RLHF-raamwerk voor pluralistische afstemming voor dat partijspecifieke beloningen gezamenlijk schat onder een laag-rangig lineair model en beleid optimaliseert voor Nash-, utilitaire en egalitaire doelstellingen, terwijl het ook algemene cyclische voorkeuren aanpakt via een pessimistische von Neumann-winnaar, alles met gevestigde niet-asymptotische prestatiegaranties.
Dit reviewpaper behandelt het gebrek aan op maat gemaakte governance voor generatieve AI binnen internationale organisaties door een nieuw kader voor te stellen dat bestaande modellen aanpast aan de unieke, endogene aard van GenAI, waarbij de reikwijdte van governance dynamisch wordt gevormd door gebruikersinteractie in plaats van vast te staan ex ante.
Dit artikel stelt een informatietheoretisch kader voor om methoden voor datacuratie te evalueren door de kwaliteit van datasets te kwantificeren via de wederzijdse informatie tussen gecureerde en testdata, waardoor de beperkingen van traditionele op testscores gebaseerde metrieken worden overwonnen die overfitting kunnen stimuleren en er niet in slagen de werkelijke informatieve waarde te vatten.
Dit artikel introduceert een beslissingsgecentreerde staat-abstractiemethode voor offline reinforcement learning die gebruikmaakt van causale machine learning en orthogonale schatting om efficiënt verschil-Q-functies te leren, waardoor essentiële besluitvormingsinformatie wordt geïsoleerd van irrelevante staatdynamiek terwijl consistente beleidsoptimalisatie wordt gewaarborgd.