2315 papers
Deze paper introduceert een nieuwe aanpak voor probabilistische circuits die Voronoï-tessellaties gebruikt om de lokale geometrie van data te modelleren, en lost het hieruit voortvloeiende verlies van berekenbaarheid op door zowel een benaderend inferentiekader met gegarandeerde grenzen als een structurele voorwaarde voor exacte, tractabele inferentie te ontwikkelen.
Dit paper introduceert SLIP, een open-source framework dat door taal-informeerde pretraining en een flexibele patch-embedder transferleerbare sensorrepresentaties leert die variabele invoer ondersteunen en superieure prestaties leveren in zero-shot transfer, signaalcaptioning en sensorgebaseerde vragenbeantwoording.
Dit paper introduceert Local Adjacency Spectral Embedding (LASE), een methode die lokale laagdimensionale structuren in netwerken blootlegt door een gewogen spectrale decompositie toe te passen, waardoor de beperkingen van globale benaderingen worden overwonnen en de lokale reconstructie en visualisatie aanzienlijk worden verbeterd.
Deze paper introduceert de concepten van statistische en structurele bijna-identificeerbaarheid voor representatielering, bewijst dat niet-lineaire decoders deze eigenschappen bezitten, en toont aan dat ICA-postprocessing effectief is voor ontrafeling en het verbeteren van downstream-generalisatie.
Dit artikel introduceert topologische DeepONets die operatoren tussen functieruimtes en willekeurige lokaal convexe ruimtes uniform benaderen, waarmee de klassieke Chen-Chen-stelling wordt uitgebreid tot een meer algemene topologische setting.
Dit artikel introduceert een nieuwe analyse van gemiddelde stabiliteit voor multipass Preconditioned SGD die de generalisatie koppelt aan de effectieve dimensie, en laat zien dat een onjuist gekozen preconditioner kan leiden tot suboptimale prestaties door een disbalans tussen de kromming van het populatierisico en de geometrie van de ruis.
Deze paper introduceert BTZSC, een uitgebreide benchmark voor zero-shot tekstclassificatie die een systematische vergelijking biedt tussen cross-encoders, embedding-modellen, rerankers en LLMs, waarbij moderne rerankers zoals Qwen3-Reranker-8B een nieuwe state-of-the-art bereiken.
Dit paper introduceert FedFew, een persoonlijk federatief leerframework dat het probleem van het bedienen van vele clients met slechts een paar gedeelde servermodellen (K << M) reformuleert als een few-for-many optimalisatieprobleem, wat leidt tot schaalbare en automatisch geoptimaliseerde personalisatie die state-of-the-art methoden overtreft.
Dit paper introduceert een gedecentraliseerde, domein-agnostische orkestratiearchitectuur voor Fluid Computing die multi-domein samenwerking mogelijk maakt en Byzantine-beveiliging verbetert via een SDN-gestuurde anomaliedetectie (FU-HST) voor decentrale federatief leren.
Dit paper introduceert drie deep learning-gebaseerde metamodeleringskaders die parametrische en voorspellende onzekerheid tegelijkertijd adresseren voor niet-lineaire dynamische structurele systemen onder aardbevingen, waarbij de MPNN-LSTM en AE-LSTM architecturen uitstekende prestaties leverden voor complexe constructies en een betrouwbare schatting van voorspellingsfouten mogelijk maakten.
Dit paper introduceert Flowcean, een modulair en gebruiksvriendelijk raamwerk dat data-gedreven machine learning automatiseert om efficiënte modellen voor Cyber-Physical Systems te genereren.
Dit artikel introduceert een efficiënte generatieve modelleringstechniek met unitaire Matrix Product States die, via Riemanniaanse optimalisatie, de ambiguïteit bij parameterupdates vermindert en stabiele, snelle prestaties bereikt op datasets zoals Bars-and-Stripes en EMNIST.
Deze paper introduceert AGMARL-DKS, een adaptieve, graf-gebaseerde multi-agent reinforcement learning-scheduler voor Kubernetes die schaalbaarheid, contextbewustzijn en stress-gevoelige doelwitradingen verbetert om fault tolerance, resourcegebruik en kosten te optimaliseren.
Dit artikel toont aan dat bestaande prior-data gefitde netwerken (PFN's) voor causale inferentie vaak niet frequentistisch consistent zijn door vooroordeel van de prior, maar dat deze consistentie kan worden hersteld via een kalibratieprocedure met een een-staps posteriorcorrectie (OSPC) gebaseerd op martingale-posteriors.
Het artikel introduceert Slow-Fast Inference, een trainingsvrij raamwerk dat de inferentieversnelling bereikt door generatie te splitsen in frequente snelle stappen met een compacte geheugengebruik en zeldzame langzame stappen die de context bij semantische grenzen ververst, waardoor de doorvoer met 1,6 tot 14,4 keer toeneemt zonder kwaliteitsverlies.
Dit paper introduceert SeGP-CL, een exemplaarvrije methode voor continu leren van vision-language modellen die catastrofaal vergeten voorkomt door de kruismodale semantische geometrie te behouden via het gebruik van adversariële ankers en geometrische distillatie.
Dit artikel bewijst wiskundig en valideert numeriek dat chemische reactienetwerken zonder verborgen lagen bepaalde classificatietaken efficiënter en nauwkeuriger kunnen leren dan spiking-neuronale netwerken die wel verborgen lagen vereisen.
Dit paper introduceert een multi-label deep learning-framework op basis van Temporal Convolutional Networks dat de binding van transcriptiefactoren aan DNA voorspelt door samenwerkingsmechanismen te modelleren, waardoor zowel bekende interacties worden bevestigd als nieuwe co-bindingspatronen worden ontdekt.
Dit artikel introduceert QAvatar, een methode die cross-domein Bellman-consistentie en hybride critici combineert om de data-efficiëntie van versterkingslering te verbeteren door bron-domein kennis effectief en betrouwbaar over te dragen naar doel-domeinen met verschillende ruimtes.
Deze paper introduceert een kostenefficiënte, iteratieve Neural Architecture Search-methode die gebruikmaakt van gespecialiseerde, niet-finetuned large language models en een historische feedbackgeheugen om binnen een enkele consumer GPU compacte en hoogpresterende beeldclassificatie-architecturen te ontwerpen zonder cloud-infrastructuur.