4595 papers
Dit artikel introduceert het 'Sticky-Sequence Track-and-Stop'-framework voor zuivere exploratieproblemen met oneindig veel mogelijke antwoorden, wat leidt tot asymptotische optimaliteit waar bestaande methoden tekortschieten.
Dit paper introduceert TSRating, een uniek raamwerk dat meta-learning en Large Language Models combineert om de kwaliteit van tijdreeksdata uit diverse domeinen nauwkeurig en efficiënt te beoordelen.
Dit paper introduceert CORA, een methode voor credit assignment in multi-agent reinforcement learning die gebruikmaakt van coöperatieve speltheorie en kernallocatie om agenten effectiever te belonen op basis van hun coalitiële bijdragen, wat leidt tot verbeterde gecoördineerde prestaties.
Deze paper introduceert twee nieuwe modelvrije algoritmen, Q-EarlySettled-LowCost en FedQ-EarlySettled-LowCost, die voor het eerst tegelijkertijd bijna-optimale regret, lineaire opstartkosten en logaritmische schakel- of communicatiekosten bereiken in single-agent en federatief versterkend leren.
Dit artikel introduceert ChannelTokenFormer, een Transformer-gebaseerd raamwerk dat tegelijkertijd complexe kanaalafhankelijkheden, asynchrone bemonstering en ontbrekende waarden aanpakt om robuuste multivariate tijdreeksvoorspellingen in real-world scenario's mogelijk te maken.
Dit paper introduceert WAFFLE, een algoritme dat gebruikmaakt van Wavelet Scattering en Fourier-transformaties om schadelijke clients in Federated Learning te detecteren voordat het trainingsproces begint, zonder toegang tot de ruwe data.
Dit paper introduceert het MIC-model, een methode op basis van gemengde tijdsgebonden processen die gezamenlijke interacties tussen gebruikers en informatie-cascades in sociale netwerken modelleert en hiermee superieure prestaties en inzichten biedt ten opzichte van bestaande methoden.
Dit paper introduceert ConLID, een methode voor superviserend contrastief leren die de taalidentificatie voor taakarme talen op domein-onafhankelijke data significant verbetert zonder de prestaties voor talen met veel data te verstoren.
Dit artikel bewijst dat een variant van Iteratively Reweighted Least Squares (IRLS) met dynamische regularisatie onder deterministische voorwaarden lineair convergeert naar de onderliggende deelruimte, waarmee voor het eerst globale convergentie wordt gegarandeerd voor IRLS in robuuste subspace recovery en niet-convexe optimalisatie op Riemanniaanse variëteiten.
Deze paper stelt een gedistribueerd en adaptief multi-agent algoritme voor dat op basis van lineaire bandieten de optimale service voor plaatsing in small cell networks identificeert om de totale gebruikersvertraging te minimaliseren.
Dit artikel analyseert de convergentiesnelheid van de laatste iteratie van stochastische gradiëntafdaal- en zware-bal-methoden voor convex en niet-convex doelfuncties met -Hölder-gladde gradiënten, en bewijst nieuwe convergentie-resultaten voor zowel de minimale dan wel de laatste iteratie door gebruik te maken van de discrete Gronwall-ongelijkheid in plaats van de Robbins-Siegmund-stelling.
Deze studie vergelijkt DeepONet-architecturen voor het consolideringsprobleem in de geotechniek en toont aan dat een Fourier-features-gebaseerde variant (Model 4) niet alleen superieure nauwkeurigheid biedt bij sterk variërende oplossingen, maar ook een snelheidswinst van ongeveer 1.000x in 3D-scenario's mogelijk maakt, wat de weg vrijmaakt voor efficiënte onzekerheidskwantificering.
Deze paper introduceert LangevinFlow, een fysica-geïnspireerd Variational Auto-Encoder-model dat de onderdrukte Langevin-vergelijking en lokaal gekoppelde oscillatoren gebruikt om complexe neurale latente dynamiek nauwkeuriger te modelleren dan bestaande methoden.
Dit paper introduceert Latent Policy Steering (LPS), een methode die een vooraf getraind wereldmodel en een waardefunctie gebruikt om robotvisuomotorische beleidsplanning te verbeteren door optische stroming als embodiment-agnostische actierepresentatie te benutten, wat leidt tot aanzienlijke prestatiewinsten in scenario's met beperkte trainingsdata.
Dit paper introduceert MLES, een nieuwe aanpak die multimodale grote taalmodellen combineert met evolutionaire zoekopdrachten om transparante, verifieerbare en mensgerichte programmatieke controlepolities te genereren die prestatie-technisch vergelijkbaar zijn met diepe versterkingsleermethoden.
Dit paper introduceert CTRL, een meta-leermethode die clusteren en residu-lering combineert om nauwkeurige en bron-specifieke voorspellingen te genereren voor scenario's met vele kleine datasets en distributieverschillen, zoals bij de plaatsing van asielzoekers in Zwitserland.
Dit artikel presenteert een innovatieve aanpak waarbij AI gegenereerde zang en virtuele avatars worden gebruikt om studiegidsen in een aantrekkelijk audiovisueel formaat te presenteren, wat volgens de resultaten de betrokkenheid van studenten verhoogt en de retentie van belangrijke cursusinformatie verbetert.
MuFlex is een schaalbaar, open-source platform dat fysiek gebaseerde simulaties van meerdere gebouwen combineert met versterkende leeromgevingen om gecoördineerde vraagflexibiliteit te analyseren en te optimaliseren, zoals aangetoond door een succesvolle piekverminderingscase met vier kantoorgebouwen.
Dit artikel introduceert een lichtgewicht, data-efficiënt framework op basis van grafische neurale netwerken dat door gebruik te maken van RF-domeinkennis en apparaat-semantiek nauwkeurige prestatievoorspellingen mogelijk maakt voor diverse actieve RF-circuits, met een gemiddelde relatieve fout van 3,45% en een aanzienlijke verbetering in generalisatievermogen ten opzichte van bestaande methoden.
Dit paper introduceert een iteratieve in-context learning-methode met geselecteerde voorbeelden die de generalisatievermogen van grote taalmodellen verbetert bij abstracte algebraïsche taken, waarbij blijkt dat eenvoudigere voorbeelden soms effectiever zijn dan complexere.