4825 papers
Dit artikel introduceert Quality over Quantity (QoQ), een systematische methode die invloedfuncties gebruikt om hoogwaardige demonstraties te selecteren voor robotleren, waardoor de prestaties van beleidsmodellen in zowel gesimuleerde als realistische omgevingen worden verbeterd.
Dit artikel introduceert een geïntegreerd raamwerk voor online betrouwbaarheidsvoorspelling van satellietelektronica dat een Wiener-procesdegradatiemodel combineert met een adaptieve actieve leerverstappen om nauwkeurige voorspellingen te mogelijk maken ondanks beperkte data en variabiliteit.
Dit paper introduceert DynaME, een hybride raamwerk voor online tijdreeksvoorspelling dat conceptdrift onderscheidt in terugkerende en emergente types en deze respectievelijk adresseert door dynamisch gebruik te maken van gespecialiseerde experts voor historische patronen en een stabiele algemene expert voor nieuwe patronen.
Deze paper introduceert lichtgewicht adaptieve decoderingsadapters die, getraind met versterkingslering, dynamisch samplingstrategieën selecteren op basis van taakmoeilijkheid en beschikbare rekenkracht, waardoor de nauwkeurigheid binnen een vast token- of parallelle sampling-budget aanzienlijk verbetert zonder het taalmodel zelf te finetunen.
Dit artikel verifieert dat persistente waarnemers in hypergraafsubstraten voldoen aan de Conant-Ashby Good Regulator-theorema, waardoor natuurlijke gradiëntafstijging als unieke leerregel wordt afgeleid en een verband wordt gelegd tussen Wolfram's hypergrafen en Vanchurin's kosmologie via een modelafhankelijke afleiding van de regimeparameter alpha.
Dit paper introduceert 'Exclusive Self Attention' (XSA), een eenvoudige aanpassing van self-attention die de prestaties van Transformers verbetert door informatie van de token zelf uit te sluiten, waardoor contextmodelleren effectiever wordt, vooral bij langere sequenties.
Dit artikel presenteert een hybride optimalisatieframework dat Proximal Policy Optimization (PPO) en Lineaire Programmering combineert in een door RIS ondersteunde semantische voertuig-edge computing-omgeving, waardoor de eind-tot-eind latentie met 40% tot 50% wordt verlaagd ten opzichte van bestaande methoden.
Deze studie toont aan dat het integreren van sentimentanalyse van nieuwsberichten, gegenereerd door een op Qwen3 gefinetuned LLM, in combinatie met traditionele tabulair data, de voorspellende nauwkeurigheid en economische meerwaarde van aluminiumprijzen aanzienlijk verbetert, vooral tijdens periodes van hoge volatiliteit.
Dit artikel introduceert een unificerend raamwerk voor latente wereldmodellen in geautomatiseerd rijden dat een gestructureerde taxonomie, een evaluatiekader en toekomstige uitdagingen biedt om de overgang van open-lus naar gesloten-lus prestaties te verbeteren.
Dit artikel identificeert en bewijst dat ongemaskerde policy gradient-algoritmes geldige acties systematisch onderdrukken in onbezochte staten door parameterdeling, een probleem dat leidt tot exponentiële afname van kansen en dat effectief wordt opgelost door action masking of validiteitsclassificatie.
Deze studie introduceert een datagedreven, probabilistische aanpak voor het voorspellen van hysterese in batterijen met silicium-graafietanodes, waarbij een data-harmonisatiekader en machine learning-modellen worden gebruikt om de nauwkeurige schatting van de laadtoestand te verbeteren onder onzekerheid en beperkte rekenkracht.
Dit paper introduceert DCPO, een framework dat redeneren en vertrouwen ontkoppelt om de overmatige zelfverzekerdheid van taalmodellen bij verifieerbare beloningen op te lossen zonder in te leveren op nauwkeurigheid.
Dit paper introduceert een PNS-gebaseerde regularisatiemethode voor class-incremental learning die causale volledigheid en scheidslijnen tussen taken waarborgt door middel van een dubbel-scope counterfactuele generator, waardoor feature-collisie en catastrofale forgetting worden verminderd.
RubiCap is een nieuw reinforcement learning-framework dat de uitdagingen van dichte beeldbeschrijving oplost door gebruik te maken van door LLM's geschreven rubrieken voor gestructureerde, veelzijdige beloningssignalen, waardoor het superieure resultaten bereikt ten opzichte van bestaande methoden en zelfs modellen die zijn getraind op data van propriëtaire modellen.
Deze paper introduceert een kosteneffectief raamwerk dat imperfecte, door LLM's gegenereerde RTL-code gebruikt om netlistrepresentaties te leren, waardoor de schaarste aan gelabelde data voor circuitanalyse wordt overwonnen zonder in te leveren op de prestaties op realistische ontwerpen.
Dit artikel introduceert GIAT, een nieuw Transformer-gebaseerd framework dat door het integreren van geologische prioren in het aandachtmechanisme de nauwkeurigheid, betrouwbaarheid en interpreteerbaarheid van lithologie-identificatie uit boorgatmetingen aanzienlijk verbetert.
Dit artikel presenteert een verbeterd protocol voor het gedistribueerde experts-probleem dat de spijt minimaliseert met een efficiëntere communicatiekost dan eerdere werken.
Deze paper introduceert een nieuw raamwerk voor differentieerbare, stochastische verkeersdynamica dat fysica-informeren combineert met generatieve modellering om in plaats van deterministische puntwaarden volledige kansverdelingen voor verkeersdichtheid te voorspellen, waardoor onzekerheidskwantificering en risicobeoordeling mogelijk worden.
Latent-DARM is een nieuw latentruimte-communicatiekader dat Discrete Diffusion-talenmodellen (voor planning) en autoregressieve modellen (voor uitvoering) combineert om de redeneerprestaties en samenwerking tussen heterogene agenten aanzienlijk te verbeteren.
Deze studie repliceert het Band-Split RNN-model voor muziekscheiding om de kosten van reproduceerbaarheid te analyseren, waarbij de auteurs ondanks het niet kunnen reproduceren van de originele resultaten een geoptimaliseerd model ontwikkelen en pleiten voor meer transparantie en open source-praktijken binnen de gemeenschap.