4433 papers
Deze studie toont aan dat het integreren van fysiologisch geïnformeerde spiersynergie-priors in een versterkingsleerframework de biomechanische nauwkeurigheid en generalisatie van voorspellende simulaties van menselijke locomotie aanzienlijk verbetert, zelfs met beperkte experimentele data.
Dit artikel bewijst dat Dual Space Preconditioned Gradient Descent in het overgeparametriseerde regime convergeert naar een oplossing die de trainingsdata perfect fit, en toont aan dat voor isotrope preconditioners deze oplossing identiek is aan die van standaard gradient descent, terwijl voor algemene preconditioners de afstand tot de initialisatie binnen een constante factor van die van gradient descent blijft.
Dit artikel introduceert JEDI, een hiërarchisch model dat neurale dynamica over verschillende taken en contexten heen analyseert door een gedeelde inbeddingsruimte te leren, waardoor robuuste en schaalbare inzichten in hersenmechanismen mogelijk worden vanuit beperkte experimentele data.
Deze paper introduceert een universele schatter voor intrinsieke dimensie die, gebaseerd op verhoudingen van afstanden tot de dichtstbijzijnde buren, theoretisch bewezen convergeert naar de ware dimensie ongeacht de onderliggende dataverdeling en state-of-the-art resultaten behaalt.
Dit paper introduceert VERI-DPO, een methode die claimverificatie en Direct Preference Optimization combineert om klinische samenvattingen uit EHR-data te genereren die zowel informatief als strikt gefundeerd zijn, waardoor het aantal niet-onderbouwde beweringen aanzienlijk daalt.
Dit artikel introduceert de tubal tensor train (TTT) decompositie, een nieuw tensornetwerkmodel dat t-product algebra en de tensor train-structuur combineert om lineaire opslag te bereiken voor hoge-orde tensoren, en presenteert efficiënte algoritmen voor toepassingen zoals beeld- en videocompressie en hyperspectrale beeldvorming.
Deze paper introduceert een lichtgewicht hybride framework dat grafische aandacht en grote taalmodellen combineert om een hoogpresterende Amazons-spel-AI te creëren die onder strikte rekenkrachtbeperkingen de prestaties van zijn basismodel overtreft door gebruik te maken van synthetische data en structurele filtering.
Dit paper introduceert IH-Challenge, een reinforcement learning-dataset die de instructiehiërarchie van frontier LLMs verbetert, waardoor de weerbaarheid tegen jailbreaks en prompt-injecties aanzienlijk toeneemt zonder de nuttigheid van het model te verminderen.
Dit artikel introduceert een wereldmodel voor het voorspellen van de degradatie van lithium-ionbatterijen onder niet-stationaire omstandigheden, waarbij het gebruik van een latentetoestand en een geleerde dynamiek de voorspelling van de gezondheidstoestand over de toekomstige cycli significant verbetert ten opzichte van directe regressie, met name wanneer een Single Particle Model-beperking wordt toegepast om de nauwkeurigheid bij de degradatieknie te verhogen.
Dit artikel presenteert een multi-agent reinforcement learning-framework dat gebruikmaakt van Proximal Policy Optimization om UAV-vloten te coördineren voor tijdskritieke medische leveringen in dynamische omgevingen, waarbij experimenten met real-world data aantonen dat klassieke PPO-uitvoeringen superieure prestaties leveren ten opzichte van asynchrone en sequentiële strategieën.
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.