4404 papers
Dit artikel introduceert Group Relative Reward Rescaling (GR³), een methode die lengte-inflatie in versterkingslerende taalmodellen effectief tegengaat zonder prestatie-inlevering door het probleem te herformuleren als een multiplicatief herschalingsschema in plaats van additieve straffen.
Het paper introduceert SCORE, een efficiënt alternatief voor klassieke laagstapeling dat door het herhaald toepassen van een gedeeld neuronaal blok met contractieve ODE-geïnspireerde updates, de convergentie versnelt en het parameteraantal verlaagt zonder ingewikkelde ODE-oplossers.
Dit paper introduceert een versterkingsleringsbenadering om de wegingen van clusterplanners dynamisch aan te passen, wat leidt tot een aanzienlijke verbetering van de eind-tot-eind prestaties van taken in vergelijking met statische of handmatig getuneerde methoden.
Dit artikel presenteert een machine learning-framework dat een gerichte bipartiete grafiek gebruikt om de voorspellende asymmetrie tussen de Amerikaanse en Chinese aandelenmarkten te onthullen, waarbij Amerikaanse slotkoersen sterke voorspellende waarde blijken te hebben voor Chinese intraday-returns, terwijl het omgekeerde effect beperkt is.
Dit artikel analyseert de kwantisatierobuustheid van Monotone Operator Equilibrium Networks en toont aan dat convergentie gegarandeerd blijft zolang de spectrale verstoring kleiner is dan de monotonie-marge, waarbij experimenten op MNIST een overgangspunt bevestigen en kwantisatiebewuste training vier-bits convergentie herstelt.
Dit artikel introduceert een Riemanniaanse meetkunde-bewarende variatie-auto-encoder (RGP-VAE) die hoogwaardige synthetische EEG-covariantiematrices genereert voor motorbeelding-BCI-toepassingen, waarbij de symmetrisch positief-definiëerde aard van de data behouden blijft en een subject-onafhankelijke latente ruimte wordt geleerd.
Dit paper toont aan dat Transformers via in-context learning niet alleen op basis van eenvoudige overeenkomstigheid werken, maar in feite Bayes-optimale statistische schatters construeren die de likelihood-ratio test benaderen door taakadaptieve algoritmes te implementeren.
Dit paper introduceert HAPEns, een post-hoc ensemble-methode voor tabulaire data die een evenwicht zoekt tussen voorspellende nauwkeurigheid en hardware-efficiëntie door een diverse set van ensemble-oplossingen langs de Pareto-front te construeren, wat resulteert in superieure prestaties vergeleken met bestaande methoden.
Deze empirische studie toont aan dat LLM-afstemming op morele redenering geen diversiteitsbevorderende algoritmen vereist, omdat standaard RLVR-methode voor beloningsmaximalisatie even effectief zijn dankzij de geconcentreerde aard van hoogwaardige morele antwoorden.
Dit paper introduceert het 'Gradient Flow Drifting'-framework, dat wiskundig aantoont dat het recente Drifting-model equivalent is aan een Wasserstijn-gradiëntstroom voor de forward KL-divergentie onder KDE-approximatie, en biedt een theoretisch onderbouwde strategie voor het combineren van divergenties om zowel modusinstorting als modusvervaging te voorkomen.
Dit technische artikel beschrijft een JAX-implementatie van de Self-Scaled Broyden-familie van quasi-Newton-methoden, inclusief BFGS, DFP en hun zelfgeschaalde varianten, die volledig compatibel is met de Optimistix-optimalisatiebibliotheek om de adoptie binnen de JAX-gemeenschap te vergemakkelijken.
Dit paper introduceert Geo-ATBench, een benchmark en het GeoFusion-AT-framework voor geospatiale audiotagging, die aantonen dat het integreren van geografische semantische context de nauwkeurigheid van geluherkenning verbetert, vooral bij akoestisch vergelijkbare gebeurtenissen.
Dit artikel introduceert Conditional Expectation Reward (CER), een methode die grote taalmodellen gebruikt als impliciete verifiers om versterkingslering met verifieerbare beloningen uit te breiden naar domeinen met vrije antwoorden door een zachte, graduele beloning te bieden op basis van de waarschijnlijkheid van het genereren van een referentieantwoord.
Dit paper presenteert een nieuwe, verklaarbare aanpak om neurale netwerk-backdoors te detecteren en te elimineren door middel van actieve paden, met succesvolle experimenten in het domein van inbraakdetectie.
Dit paper introduceert FAME, een nieuwe methode voor formele abstracte minimale verklaringen van neurale netwerken die via geavanceerde perturbatiedomeinen en LiRPA-bounds schaalbaar is naar grote netwerken terwijl het de grootte van de verklaringen verkleint en de kwaliteit kwantificeert.
Dit paper introduceert een STA-GNN-model voor onbewaakte en verklaarbare anomaliedetectie in industriële besturingssystemen, dat ruimtelijk-temporele afhankelijkheden leert, drift en valse alarmen aanpakt via conformale voorspelling, en meerdere datamodi combineert voor betrouwbare cyber-fysieke beveiliging.
Dit artikel presenteert een data-gedreven framework dat Singular Value Decomposition combineert met SHRED-neurale netwerken om de volledige magnetohydrodynamische toestand van fusie-relevante systemen nauwkeurig en efficiënt te reconstrueren op basis van slechts drie temperatuursensoren, zelfs voor niet-getrainde magnetische veldintensiteiten.
Dit paper introduceert Contract And Conquer (CAC), een methode die via kennisdistillatie en een bewezen overdraagbaarheidsgarantie het zoekruimte voor adversariële voorbeelden in een black-box model contracteert om zo binnen een vast aantal iteraties een gegarandeerd adversariaal voorbeeld te vinden.
Dit paper introduceert EvoSchema, een uitgebreid benchmarkkader dat een nieuwe taxonomie van schema-evoluties gebruikt om de robuustheid van text-to-SQL-systemen te evalueren en te verbeteren tegenover dynamische veranderingen in databaseschema's.
Dit paper introduceert Riemannian MeanFlow, een methode die Flow Matching uitbreidt naar Riemanniaanse variëteiten om hoogwaardige generatie in één stap mogelijk te maken door parallel transport en log-kaarten te gebruiken om de noodzaak van numerieke integratie te elimineren.