4626 papers
Dit artikel introduceert een op een volledig verbonden residual-neuraalnetwerk gebaseerd surrogate-model dat, getraind op FEM-simulaties, de stroomdichtheidsverdeling in REBCO-solenoiden snel en nauwkeurig voorspelt, waardoor de intelligente ontwerpoptimatie van grote hoogtemperatuur-supraconductieve magneten mogelijk wordt gemaakt.
Dit artikel onderzoekt Monte Carlo-methode met repulsieve punten voor het berekenen van integraalwaarden op de eenheidsbol, met name voor de gesneden Wasserstein-afstand, en concludeert dat UnifOrtho de beste keuze is voor hoge dimensies terwijl randomized quasi-Monte Carlo in lage dimensies superieur is.
Dit paper introduceert de Robot Control Stack (RCS), een lichtgewicht en modulair ecosysteem dat de kloof tussen simulatie en de echte wereld overbrugt om onderzoek naar robotleren met grote Vision-Language-Action-modellen te faciliteren.
Deze paper introduceert een score-based generatief model dat biologisch geïnspireerde Kuramoto-dynamica gebruikt om de coherentie van richtingspatronen in oriëntatie-rijke afbeeldingen, zoals vingerafdrukken en texturen, effectiever te modelleren dan traditionele isotrope diffusie-methoden.
Dit artikel demonstreert hoe AlphaEvolve, een LLM-gebaseerd code-mutatieagent, wordt ingezet om nieuwe, sterkere onbenaderbaarheidsresultaten te bewijzen voor problemen zoals MAX-CUT, MAX-4-CUT en het TSP, waarbij het agent ook zelf de verificatieprocedures optimaliseert om de hoge rekenkosten te overwinnen.
Het paper introduceert VLCE, een kennisverrijkt raamwerk dat ConceptNet en WordNet integreert om generieke visueel-taalmodellen te verbeteren bij het genereren van actievere en domeinspecifieke beschrijvingen van rampenbeelden, wat resulteert in een aanzienlijke prestatieverbetering op benchmarks zoals xBD en RescueNet.
Dit paper introduceert ZeroSiam, een efficiënte asymmetrische Siamese architectuur die testtijd-entropie-optimalisatie mogelijk maakt zonder modelinstorting, waardoor modellen zich in real-time kunnen aanpassen en verbeteren op zowel visuele taken als redeneerproblemen.
Deze paper introduceert General Policy Composition (GPC), een trainingsvrije methode die de prestaties van bestaande robotbeleidmodellen op basis van diffusie of stroming verbetert door hun distributiescores tijdens de testfase te combineren, zonder dat extra training vereist is.
Dit artikel presenteert een hybride besturingsmethode die Deep Reinforcement Learning combineert met bounded extremum seeking om de robuustheid en prestaties van controllers voor niet-lineaire, tijdvariërende systemen te verbeteren, zoals gedemonstreerd bij de automatische afstelling van een deeltjesversneller.
Dit paper introduceert de Latent Speech-Text Transformer (LST), een model dat spraaktokens aggregeert tot latente patches om de rekenefficiëntie te verbeteren en de prestaties van zowel spraak- als teksttaken te verhogen door de sequentiegranulariteit tussen beide modaliteiten te aligneren.
AlphaApollo is een agentic redeneersysteem dat de beperkingen van fundamentele modellen in complexe probleemoplossing en onbetrouwbare testtijd-evolutie aanpakt door middel van een geïntegreerde architectuur met multi-turn redenering, versterkt leren en een iteratieve evolueringscyclus met tool-geassisteerde verificatie.
Deze paper introduceert het nieuwe taakgebied DGLSS-NL voor LiDAR-segmentatie met onvolmaakte labels, presenteert een eerste benchmark en stelt DuNe voor, een dubbelzicht-architectuur die de prestaties aanzienlijk verbetert door consistentie tussen sterke en zwakke weergaven te forceren en vertrouwen-gebaseerde filtering toe te passen.
Het paper introduceert RECODE, een agentisch framework dat multimodale redenering verbetert door visuele elementen zoals grafieken en diagrammen om te zetten in verifieerbare uitvoerbare code via een proces van afbeelding naar code en terug.
Het artikel introduceert REAP, een nieuwe methode voor het comprimeren van MoE-modellen door experts te verwijderen in plaats van ze te samenvoegen, wat leidt tot superieure prestaties op generatieve taken zoals codegeneratie door het behoud van de fijne routeringscontrole.
Het paper introduceert RL-100, een robuust real-world reinforcement learning-framework dat diffusiebeleid combineert met PPO en consistentiedistillatie om robotmanipulatietaken met 100% succes en menselijke snelheid uit te voeren, zelfs onder dynamische veranderingen en zonder hertraining.
Dit paper introduceert Bradley-Terry Policy Optimization (BTPO), een methode die een consistente Monte Carlo-schatter voorstelt om het trainen van generatieve voorkeurmodellen met chain-of-thought-reasoning voor niet-verifieerbare taken mogelijk te maken, waarbij het probleem van het latentere redeneerproces wordt opgelost dat bestaande RL-benaderingen beperkt.
Dit paper introduceert AffPCL, een nieuw raamwerk voor gepersonaliseerd collaboratief leren dat heterogene agenten in staat stelt om hun sample complexiteit te reduceren door een adaptieve, affiniteitsgebaseerde variance-reductie die naadloos varieert tussen lineaire versnelling bij homogeniteit en onafhankelijk leren bij hoge heterogeniteit.
Dit paper introduceert FALCON, een nieuw paradigma dat rijke 3D-ruimtelijke tokens afgeleid van RGB-beelden injecteert in de actiehead van Vision-Language-Action-modellen om de ruimtelijke redenering te verbeteren en state-of-the-art prestaties te bereiken in zowel simulatie als real-world taken.
Het artikel introduceert GraphKeeper, een nieuwe methode voor graf-domein-incrementeel leren die catastrofale vergetelheid aanpakt door kennisontvlechting en -behoud te combineren, waardoor state-of-the-art resultaten worden behaald met minimale vergetelheid en naadloze integratie met graf-fondamentmodellen.
Dit paper introduceert gestructureerde matrix-schaling met geavanceerde regularisatie en optimalisatie om overfitting bij multi-class kalibratie te voorkomen en zo aanzienlijk betere prestaties te behalen dan bestaande methoden zoals temperatuur- en vector-schaling.