4771 papers
Dit paper introduceert Guardian, een interpreteerbaar besluitvormingssysteem dat Markov-ketens, versterkende leerling en LLM's combineert om dynamische zoekplannen voor vermiste kinderen te genereren op basis van ongestructureerde data.
Dit paper introduceert BiCLIP, een eenvoudig framework dat door het toepassen van een gestructureerde geometrische transformatie op multimodale kenmerken, gebruikmakend van een klein aantal ankers, state-of-the-art prestaties bereikt bij few-shot classificatie in gespecialiseerde domeinen.
Dit artikel introduceert ULFS-KDPE, een schatter op basis van een universeel minst gunstig submodel in een reproducerende kern-Hilbertruimte die pad-differentieerbare parameters in niet-parametrische modellen schat met semiparametrische efficiëntie zonder expliciete afleiding van efficiënte invloedfuncties.
Deze thesis onderzoekt hoe machine learning-benaderingen voor simulatiegebaseerde inferentie vaak tot oververzekerde conclusies leiden en stelt methoden voor, zoals 'balancing' en Bayesiaanse neurale netwerken, om deze oververzekerde schattingen te corrigeren en meer betrouwbare, gekalibreerde resultaten te garanderen.
Dit paper introduceert Guardian, een end-to-end systeem dat een meermodel-pipeline met consensusmechanismen en QLoRA-finetuning gebruikt om de eerste 72 uur van zoektochten naar vermiste personen te ondersteunen door middel van gecontroleerde, auditabele informatie-extractie.
Dit overzicht introduceert versterkend leren als een veelbelovende, zij het imperfecte, aanvulling op de toolkit van de computationele econoom, waarmee complexe, hoog-dimensionale economische modellen kunnen worden opgelost die traditionele dynamische programmering weerstaan, terwijl tegelijkertijd de praktische beperkingen en afhankelijkheid van nauwkeurige simulatoren worden erkend.
Dit paper introduceert de -ongelijkheid om aan te tonen dat MoE-modellen tijdens inferentie structureel worden benadeeld door hergebruiksfragmentatie, waardoor ze bij lange contexten vaak minder efficiënt zijn dan kwalitatief gelijkwaardige dichte modellen.
Dit paper introduceert Semantic Level of Detail (SLoD), een raamwerk dat via warmtekernel-diffusie op hyperbolische variëteiten een continue zoomoperator biedt voor het automatisch detecteren van kwalitatieve grenzen tussen abstractieniveaus in kennisgrafieken zonder menselijke supervisie.
Dit artikel introduceert MAcPNN, een decentrale leerparadigma voor IoT-datastromen dat gebaseerd is op Vygotsky's socioculturele theorie en waarbij autonome apparaten alleen bij prestatieverlies om hulp vragen aan elkaar via quantized Continuous Progressive Neural Networks, waardoor concept drift en vergeten effectief worden aangepakt met minder communicatie dan federated learning.
Dit artikel presenteert een axioma-benadering voor datagedreven robuuste Markov-beslissingsprocessen op Borel-ruimten, waarbij wordt aangetoond dat empirische verdelingen gecombineerd met een afstandsfunctie leiden tot sterke prestatiegaranties en convergentiebewijzen die ontbreken bij traditionele empirische MDP's.
Dit paper introduceert MAPLE, een nieuw trainingsparadigma dat Test-Time Reinforcement Learning combineert met medische procesbeloningsmodellen om de betrouwbaarheid van medische AI te verbeteren door te schakelen van onbetrouwbare meerderheidsstemming naar expert-gealigneerde, stapsgewijze beloningen.
Dit boek herinterpreteert generatieve AI, met name flow matching, als een statistisch raamwerk voor het niet-parametrisch leren van hoogdimensionale verdelingen, waardoor methoden zoals imputatie en causale inferentie worden onderbouwd door orthogonalisatie en cross-fitting.
Dit paper introduceert Normalized Flow Matching (NFM), een methode die de quasi-bepaalde koppelingsstrategie van een voorgeïntegreerd autoregressief normaliserend stroommodel distilleert om een student-model te trainen dat zowel de prestaties van onafhankelijke en optimale transport-koppelingen overtreft als die van de leraar zelf verbetert.
Deze paper introduceert een exacte en architectuurgetrouwe maatstaf voor de vlakheid van CNN-modellen, gebaseerd op een gesloten vorm voor de Hessiaanse trace, die een robuuste voorspelling biedt voor het generalisatievermogen en de ontwerpkeuzes van deze netwerken.
Dit paper introduceert CALIPER, een detector- en modelonafhankelijke test die uitsluitend op data gebaseerd bepaalt of er na conceptdrift voldoende post-drift data beschikbaar is voor stabiel hertrainen door een monotoon dalende trend in een foutproxy te monitoren.
Dit paper introduceert EPIC, een gedistribueerd SciML-framework dat hardware- en fysica-gestuurde technieken combineert om communicatiekosten en latentie aanzienlijk te verminderen terwijl de fysieke nauwkeurigheid behouden blijft.
Het paper introduceert SCALAR, een bidirectioneel raamwerk dat LLM-planning koppelt aan Deep RL via een geleerde vaardigheidsbibliotheek, waarbij RL-uitkomsten worden gebruikt om de LLM-specificaties iteratief te verfijnen, wat resulteert in aanzienlijk betere prestaties in complexe omgevingen zoals Craftax.
Dit paper introduceert FlexServe, een snel en veilig systeem voor het uitvoeren van Large Language Models op mobiele apparaten dat via flexibele resource-isolatie in ARM TrustZone de prestaties aanzienlijk verbetert ten opzichte van bestaande beveiligde ontwerpen.
Het onderzoek presenteert Sentinel, een autonoom AI-agent dat remote patient monitoring-data met een hogere gevoeligheid voor noodgevallen dan individuele clinici triageert, waardoor schaalbare en kosteneffectieve monitoring mogelijk wordt die de beperkingen van eerdere trials overbrugt.
Het paper introduceert Sim2Act, een robuust kader voor simulatie-naar-beslissingen dat via adversariele kalibratie en groepsrelatieve perturbatie de stabiliteit en betrouwbaarheid van beleidsleer verbetert in kritieke domeinen zoals toeleveringsketens.