4882 papers
Deze studie introduceert VSOPINN, een physics-informed neural network dat via differentieerbare Voronoi-constructie en end-to-end optimalisatie de plaatsing van sensoren aanpast om robuuste en nauwkeurige reconstructie van stromingsvelden mogelijk te maken, zelfs bij onvolledige metingen of sensoruitval.
SPAARS is een curriculumleerframework voor offline-naar-online versterkingsleer dat veilig online verkenning eerst beperkt tot een laagdimensionale latente ruimte om vervolgens naadloos over te schakelen naar de ruwe actieruimte, waardoor de prestatieplafond van decoder-bottlenecks wordt doorbroken en aanzienlijk betere sample-efficiëntie en prestaties worden bereikt.
Dit paper introduceert FCDM, een volledig convolutiegebaseerd diffusiemodel dat ConvNeXt herintroduceert als een uiterst efficiënt alternatief voor Transformer-architecturen, waarbij het met slechts 50% van de FLOPs en aanzienlijk minder trainingsstappen vergelijkbare prestaties levert.
Dit paper introduceert vier verbeteringen aan het ruimtelijk-temporele matching-algoritme voor GPS-trajecten om de rekenkracht en nauwkeurigheid in stedelijke omgevingen met lage sample-frequentie te verhogen, wat wordt gevalideerd met data uit Milaan.
Dit onderzoek toont aan dat zorgvuldige ontwerpprincipes voor Markov-beslissingsprocessen, met name het gebruik van op fysica gebaseerde dynamische modellen, de kloof tussen simulatie en realiteit in industriële procesregeling aanzienlijk kunnen verkleinen en de succeskans op echte hardware tot 50% kunnen verhogen.
Dit artikel introduceert de Model-assisted Nonparametric Weighting (MNW)-methode voor off-policy evaluatie in contextuele bandieten, die door het combineren van niet-parametrische weging en beloningsschattingen een lagere variantie en nauwkeurige schattingen biedt ten opzichte van bestaande technieken zoals inverse probability weighting en doubly robust schatters.
Dit paper introduceert VMoER, een schaalbaar Bayesiaans framework dat variational inference toepast op de routering in Mixture-of-Experts Transformers om zo met minimale rekentijd gecalibreerde onzekerheidsschattingen te bieden voor foundation modellen.
Dit paper introduceert Temporal-Conditioned Normalizing Flows (tcNF), een nieuw raamwerk voor het detecteren van anomalieën in multivariate tijdsreeksen door complexe temporele afhankelijkheden en onzekerheid nauwkeurig te modelleren via autoregressieve conditionering op eerdere waarnemingen.
TrainDeeploy is een framework dat hardware-versnelde, parameter-efficiënte fine-tuning van zowel CNN- als Transformer-modellen mogelijk maakt op extreem beperkte randapparatuur, waarbij het de eerste end-to-end on-device training van een Compact Convolutional Transformer op een RISC-V-SoC realiseert met aanzienlijke verbeteringen in geheugengebruik en prestaties.
Dit onderzoek toont aan dat taalmodellen via subliminale leerprocessen voorkeuren van een 'leraar'-model kunnen overnemen, zelfs wanneer ze worden getraind op semantisch trouwe parafrases die de voorkeur expliciet tegenspreken, wat wijst op een fundamenteel veiligheidsrisico in pipelines met synthetische trainingsdata.
Dit paper introduceert EDA, een parameter- en data-efficiënt framework dat de prestaties van speculatieve decoding op fijngetrainde LLM's herstelt door een ontkoppelde architectuur, data-regeneratie en selectieve steekproefneming te combineren, waardoor volledige hertraining overbodig wordt.
Dit paper introduceert BRACE, een parameterloos algoritme voor bandietenproblemen met non-compliance dat simultane validiteit garandeert voor zowel aanbevelings- als behandelingsbeleid en structurele onzekerheid certificeert, zelfs bij zwakke identificatie of heterogeniteit.
Dit artikel introduceert een compiler-gebaseerde implementatie van Mamba-2 in JAX die, dankzij het gebruik van standaard XLA-primitieven in plaats van aangepaste CUDA-kernels, portabele autoregressieve inferentie met caching mogelijk maakt op CPU, NVIDIA GPU en Google TPU zonder host-synchronisatie.
Dit artikel onderzoekt de structurele leerbaarheid van Bayesiaanse en Markov-netwerken met behulp van een onbetrouwbare orakel, waarbij het aantoont dat Markov-netwerken robuust zijn tegen een exponentieel aantal fouten bij een lage maximale hoeveelheid disjuncte paden, terwijl Bayesiaanse netwerken zelfs bij één fout niet altijd uniek identificeerbaar zijn, en biedt vervolgens algoritmen voor structurele leerbaarheid wanneer unieke identificatie mogelijk is.
Dit paper introduceert a-TMFG, een schaalbaar algoritme dat de beperkingen van de traditionele TMFG-methode voor grote datasets overwint door gebruik te maken van benaderde k-NN-grafen en dynamische correlatieschatting.
Dit artikel presenteert een rigoureuze optimal control-theoretische aanpak voor Transformer-training die de architectuur modelleert als een McKean-Vlasov-deeltjessysteem, waardoor een globaal optimale en robuuste trainingsmethode wordt verkregen die niet afhankelijk is van gradiënten of convexiteit.
Deze paper introduceert SCDP, een methode die mensachtige locomotie mogelijk maakt met alleen aan boord sensoren door een diffusiemodel te trainen dat gedeeltelijke waarnemingen omzet in gedetailleerde bewegingsdynamiek via distillatie van bevoorrechte data, wat resulteert in robuuste prestaties in zowel simulatie als op een echte G1-robot.
Dit paper introduceert 'Routing without Forgetting' (RwF), een transformer-architectuur die continu leren in online scenario's verbetert door dynamische prompts te genereren via energie-gebaseerde associatieve retrieval in plaats van traditionele parameter-efficiënte aanpassingen.
Dit artikel toont aan dat de Adam-optimizer op een specifieke klasse van sterk gedegenereerde polynomen van nature lokaal lineair convergeert zonder extra schedulers, wat een aanzienlijke versnelling oplevert ten opzichte van Gradient Descent en Momentum dankzij een ontkoppeling tussen het tweede moment en de gekwadrateerde gradiënt.
Deze paper introduceert een theoretisch onderbouwde strategie voor het afkappen van parameters in niet-parametrische variational differentieel-private modellen, die leidt tot sterkere privacygaranties en betere prestaties op downstream-taken door de Rényi-divergentiebovengrens te minimaliseren.