4696 papers
Dit artikel introduceert een nieuw curriculum-gebaseerd framework voor continu leren dat door het sequentieel ontleden van meerdere onzekerheden en het combineren van modelgebaseerde regeling met diepe versterkingsturing, robuuste besturing van niet-lineaire mechanische systemen mogelijk maakt met succesvolle simulatie-naar-realiteit-overdracht, zoals gedemonstreerd bij actieve trillingsregeling voor auto-aandrijflijnen.
Dit paper introduceert Coupled Discrete Diffusion (CoDD), een hybride framework dat de factorisatiebarrière in diffusie-taalmodellen doorbreekt door een lichtgewicht probabilistische inferentielaag te gebruiken die complexe afhankelijkheden tussen tokens modelleert zonder de prestaties of efficiëntie te schaden.
In dit onderzoek wordt SpeedTransformer, een nieuw Transformer-model dat uitsluitend op snelheidsgegevens van dichte smartphone-GPS-trajecten vertrouwt, voorgesteld als een superieur en flexibel alternatief voor traditionele deep learning-modellen voor het detecteren van vervoersmodi, zelfs in complexe omgevingen en bij gebrek aan grote datasets.
Deze studie toont aan dat voor niet-rechthoekige robuuste Markov-beslissingsprocessen met gemiddelde beloning, elk beleid met sublineaire regret robuust optimaal is zonder de gebruikelijke rechthoekigheidsvoorwaarde, en introduceert een nieuw kader voor het analyseren van en verbeteren van de tijdelijke prestaties via een epoch-gebaseerd beleid.
Dit paper introduceert DUEL, een raamwerk dat exacte waarschijnlijkheidsberekening mogelijk maakt voor gemaskerde diffusiemodellen via deterministische onmaskering, waardoor deze modellen aanzienlijk betere prestaties tonen dan eerder werd gedacht en een eerlijke vergelijking met autoregressieve modellen mogelijk wordt.
Dit paper introduceert \textsc{Gome}, een MLE-agent die gradiëntgebaseerde optimalisatie toepast in plaats van boomzoektechnieken, wat leidt tot state-of-the-art prestaties op MLE-Bench en aantoont dat deze aanpak bij sterkere redeneermodellen steeds effectiever wordt dan traditionele exhaustieve zoekmethodes.
Dit paper introduceert FinTexTS, een nieuw groot dataset voor gepaarde financiële tekst en tijdreeksen dat gebruikmaakt van een semantisch en meer-niveau koppelingsframework om complexe marktinteracties beter vast te leggen dan bestaande methoden op basis van trefwoorden, wat leidt tot verbeterde voorspellingen van aandelenprijzen.
Dit paper introduceert twee software-only technieken, Overflow-Aware Scaling en Macro Block Scaling, die de nauwkeurigheidskloof tussen het MXFP4- en NVFP4-quantisatieformaat voor grote taalmodellen van ongeveer 10% tot minder dan 1% verkleinen zonder hardware-aanpassingen.
Dit paper introduceert het OWO-FMTL-framework, een online-within-online methode voor eerlijk multi-task learning in AI-RAN's die door middel van een dubbele leerlus en alpha-fairness langdurige eerlijkheid en schaalbaarheid op edge-apparaten garandeert.
Dit paper introduceert KernelCraft, het eerste benchmarkkader dat aantoont dat agentische LLM-systemen via een feedback-gedreven workflow effectief lage-niveau kernels kunnen genereren en optimaliseren voor nieuwe hardware-architecturen, waardoor de ontwikkelingstijd en -kosten voor dergelijke accelerators aanzienlijk worden verlaagd.
Dit paper introduceert ALADIN, een framework voor nauwkeurigheids- en latentiebewuste ontwerpruimte-analyse dat de prestaties van gemengd-precisie kwantiseringsneuronale netwerken op ingebouwde AI-accelerators evalueert zonder fysieke implementatie, waardoor de ontwikkelingstijd en -kosten aanzienlijk worden verlaagd.
Dit overzichtspaper analyseert de prestaties van ultra-low-power edge- en in-sensor AI-processoren door een theoretische vergelijking van architectuurparadigma's te combineren met empirische benchmarks van het PicoSAM2-model op de GAP9, STM32N6 en Sony IMX500, waarbij de IMX500 uitblinkt in energie-efficiëntie en in-sensor verwerking.
Dit artikel presenteert een data-rate-bewuste CNN-versnellerarchitectuur voor FPGAs die door middel van multi-pixelverwerking en geoptimaliseerde ontwerpverkenning de hardwarebenutting maximaliseert en de rekenmiddelen voor complexe netwerken aanzienlijk reduceert.
Dit onderzoek toont aan dat de synergetische integratie van Leaky Integrate-and-Fire-neuronen, Supervised Contrastive Learning, Hopfield-netwerken en HGRN in spiking neural networks leidt tot een evenwichtige verbetering van nauwkeurigheid, energie-efficiëntie en geheugenstructuur voor neuromorfe visie.
Dit artikel introduceert HOC-L, een unificerend dynamisch kader dat hyperbolische structurele plasticiteit en Kuramoto-fasesynchronisatie combineert via een synchroon-gedreven leermechanisme om bio-geïnspireerde, schaarse neurale netwerken te stabiliseren met bewezen convergentie en lage complexiteit.
Dit artikel introduceert Auralink SDC, een architectuur met edge-geplaatste AI-agenten die autonome, veilige en responsieve beheeroplossingen biedt voor openbare laadinfrastructuur, waardoor de hoge uitvalpercentages en trage reparatietijden van bestaande cloudsystemen worden overwonnen.
Dit artikel presenteert een compressieframework voor Reservoir Computing dat gebruikmaakt van een op gevoeligheid gebaseerde prune-mechanisme om de afweging tussen kwantisatie, pruning en hardware-efficiëntie te optimaliseren, wat resulteert in aanzienlijke verbeteringen in resourcegebruik en energie-efficiëntie op FPGA's zonder merkbare nauwkeurigheidsverlies.
Het paper introduceert de AetherFloat-familie, een nieuw kwadratisch radix-4 floating-point architectuurontwerp dat door het elimineren van blokschaallogica en het gebruik van expliciete mantissen aanzienlijke verbeteringen in chipoppervlak, energieverbruik en latentie biedt voor AI-versnellers, met name in de vorm van het AF8-formaat dat dynamische schaling overbodig maakt ten koste van kwantiseringsbewust finetunen.
Deze studie introduceert een Physics-Informed Neural Network (PINN)-framework dat robuust biophysieke parameters en verborgen toestandsvariabelen kan reconstrueren uit gedeeltelijke en ruisbeïnvloede waarnemingen in multischaal neuronale systemen, waarbij het de beperkingen van traditionele numerieke methoden overwint.
Dit paper introduceert het VI 2D SSM, een nieuw architecturaal kader voor multivariate tijdreeksen dat de inherente permutatie-symmetrie respecteert door variabele-afhankelijkheden te vervangen door een canonieke vorm van lokale zelfdynamiek en globale interactie, wat leidt tot state-of-the-art prestaties en verbeterde schaalbaarheid.