4655 papers
Dit artikel introduceert LTSV, een lichtgewicht methode voor het waarderen van tijdreeksdata in foundationmodellen via in-context finetuning en temporele blokkenaggregatie, die een nauwkeurige en schaalbare oplossing biedt voor de beperkingen van traditionele datawaarderingstechnieken.
Deze paper introduceert een methode voor het classificeren van de gezondheidstoestand van lagers op basis van in-context learning met tijdreeks-fundamentmodellen, waardoor vibratiegegevens zonder fijnafstemming kunnen worden geanalyseerd en de weg vrijmaken voor schaalbare AI-onderhoudssystemen.
Dit artikel introduceert een periodiek asynchrone, on-policy framework voor LLM-versterkingsleer dat door het scheiden van inferentie en training een drievoudige tot vijfvoudige toename in doorvoersnelheid bereikt zonder de nauwkeurigheid te beïnvloeden.
Dit artikel introduceert Decoder-DeepONet (DDON), een interpreteerbaar operator-leermodel dat superieure prestaties biedt bij het reconstrueren van elektrische veldprofielen uit EFISH-signalen in ongelijkmatige plasma's, zelfs bij onvolledige invoer, en tegelijkertijd inzicht verschaft in de meest kritieke signaalgebieden voor optimale bemonstering.
Dit artikel introduceert ELERAG, een verbeterde Retrieval-Augmented Generation-architectuur die Entiteitenkoppeling integreert om de feitelijke nauwkeurigheid van educatieve vraag-antwoordsystemen in het Italiaans te verhogen, waarbij experimenten aantonen dat deze domeinspecifieke aanpak de prestaties van standaardmodellen overtreft in gespecialiseerde contexten.
Deze paper introduceert SA²GFM, een robuust framework voor graf-fundamentmodellen dat domeinadaptatie en weerstand tegen verstoringen verbetert door hiërarchische structurele priors om te zetten in semantische augmentatie, een informatie-flessenhals-mechanisme en een expert-adaptieve routering.
ADHint is een nieuwe methode voor versterkingsleren die de beperkte schaalbaarheid en lage sample-efficiëntie aanpakt door moeilijkheidsgraden expliciet te integreren in het plannen van hints en de schatting van voordelen, waardoor een betere balans tussen exploratie en imitatie wordt bereikt en superieure redeneervermogens worden gerealiseerd.
Dit paper introduceert Directional Textual Inversion (DTI), een methode die de norm van embeddings fixeert en uitsluitend de richting optimaliseert om de tekstgetrouwheid en interpolatiemogelijkheden bij gepersonaliseerde tekst-naar-beeldgeneratie te verbeteren.
Hoewel de nieuwe MLD-BFM-methode de hoogste nauwkeurigheid boekte bij het decoderen van vijfvoudige vingerbewegingen uit HD-sEMG-data, bleek de verbetering statistisch niet significant ten opzichte van conventionele tijdsdomeinkenmerken, wat suggereert dat dichte multichannel-opnames de ruimtelijke informatie al inherent bevatten.
Dit paper introduceert EMFusion, een conditioneel diffusiemodel dat betrouwbare, frequentieselectieve probabilistische voorspellingen van elektromagnetische velden in draadloze netwerken mogelijk maakt door diverse contextfactoren te integreren en expliciete onzekerheidsschattingen te bieden.
Deze studie introduceert het verbeterde WT-RDF+-framework, dat door middel van machine learning de parameters van de Wavelet Transform Radiale Distributiefunctie optimaliseert om de reconstructieprecisie van atomaire structuren in amorfe Ge-Se en Ag-Ge-Se materialen te verhogen en zo de beperkingen van eerdere methoden en conventionele ML-modellen te overtreffen.
Dit paper introduceert een nieuw theoretisch raamwerk voor normalisatie dat de mismatch tussen ideale en effectieve activatie-updates aanpakt, wat leidt tot de ontwikkeling van nieuwe, superieure normalisatiemethoden zoals PatchNorm en een herdefiniëring van de rol van affiene transformaties in neurale netwerken.
Dit paper bewijst met behulp van Performance Estimation Problems (PEP) dat het uitvoeren van lokale updates in de DIGing-algoritme voor gedistribueerde optimalisatie de convergentie versnelt, waarbij twee lokale updates voldoende zijn voor maximale verbetering zonder extra stapgrootte-vermindering.
Dit paper introduceert Bayesian Generative Modeling (BGM), een unificerend AI-framework dat via een stochastisch iteratief Bayesiaans update-algoritme een enkel generatief model leert voor willekeurige conditionele inferentie met principieel onzekerheidskwantificering, zonder dat hertraining nodig is voor verschillende conditioneringsstructuren.
Dit artikel introduceert een systeem dat gebruikmaakt van LLM-gestuurde webresearchagents om automatisch en in grote schaal diverse, realistische voorspellingsvragen te genereren en op te lossen, waarmee de kwaliteit van AI-voorspellers wordt geëvalueerd en verbeterd.
Dit paper introduceert Infusion, een raamwerk dat schaalbare invloedfuncties gebruikt om kleine, subtiel geperturbeerde trainingdata te creëren die doelbewust het gedrag van modellen beïnvloeden, wat aantoont dat zelfs geringe aanpassingen in een klein deel van de dataset systematisch modelgedrag kunnen vormen.
Deze paper introduceert een robuust raamwerk voor assortimentsoptimalisatie dat rekening houdt met mogelijke verschuivingen in klantvoorkeuren en modelonjuistheden, waarbij statistisch optimale algoritmen worden ontwikkeld om de steekproefcomplexiteit te minimaliseren en gegarandeerde generalisatie te bieden onder onzekerheid.
Dit paper presenteert een nieuwe bottleneck-transformer-architectuur die frame-niveaueigenschappen leert en informatie aggregeert via multi-head self-attention om de Short-Time Objective Intelligibility (STOI) score nauwkeuriger te voorspellen dan bestaande zelftoezicht-gebaseerde methoden, zonder dat een schoon referentiesignaal nodig is.
Het paper introduceert B-DENSE, een nieuw raamwerk dat de inferentie-efficiëntie van diffusiemodellen verbetert door middel van multi-branch trajectalignatie, waardoor een studentmodel dichte tussenstappen van de leraar leert om discretisatiefouten te verminderen en de beeldkwaliteit te verhogen.
Dit paper introduceert Missing-by-Design (MBD), een unificerend kader voor herroepbare multimodale sentimentanalyse dat gecertificeerde verwijdering van specifieke data-modaliteiten mogelijk maakt via een machine-verifieerbaar proces, zonder de volledige modelhertraining te vereisen.