4883 papers
Dit artikel karakteriseert de memorisatiecapaciteit van diepe ReLU-neurale netwerken door aan te tonen dat de optimale afweging tussen breedte en diepte wordt bepaald door de relatie voor het memoriseren van datapunten.
Deze paper introduceert een unifyend kader voor traditionele en convexe niet-negatieve matrixfactorisatie (NMF) met Tweedie- en Negatief Binomiale kostenfuncties, waarbij nieuwe Majorize-Minimiseer-update-regels worden afgeleid en empirisch gevalideerd om te tonen dat de keuze van het ruismodel cruciaal is voor modelfit en dat convexe NMF een robuust alternatief biedt bij grote aantallen klassen.
Deze paper introduceert BrainHO, een nieuw model dat een hiërarchische attentiemechanisme gebruikt om intrinsieke afhankelijkheden in fMRI-gebaseerde hersennetwerken te leren zonder vooraf gedefinieerde subnetwerken, wat leidt tot state-of-the-art diagnoseprestaties en interpreteerbare biomerkers voor hersenaandoeningen.
Deze paper introduceert SparseLoom, een demonstratiesysteem dat 'model stitching' toepast om subgrafen van sparse modellen te herschikken zonder opnieuw te trainen, waardoor multi-DNN-inferentie op Edge-SoCs aanzienlijk efficiënter wordt met een reductie van SLO-overtredingen tot 74% en een doorvoerverhoging tot 2,31x.
Deze review analyseert systematisch de bronnen en impact van ruis op fotone-gebaseerde quantummachinelearning, bespreekt bestaande karakteriseringstechnieken en mitigeringsstrategieën, en schetst toekomstige onderzoeksrichtingen voor robuuste en schaalbare systemen.
Dit artikel presenteert een op cGAN's gebaseerd raamwerk dat porositeitsgegevens uit boorgatmetingen gebruikt om realistische, continue poreuze afbeeldingen van koolstofhoudende gesteenten te synthetiseren, waardoor de kloof tussen discrete petrografische steekproeven wordt overbrugd voor betere reservoirkarakterisering.
Het artikel introduceert FreqCycle, een nieuw framework voor tijdreeksvoorspelling dat zowel lage als midden- en hoge frequentiepatronen effectief combineert via modules voor filterversterkte cyclusvoorspelling en segmenteerde frequentiedomeinpatroonleer, en dit uitbreidt naar MFreqCycle om gekoppelde multi-periodiciteit aan te pakken, wat resulteert in state-of-the-art nauwkeurigheid en snellere inferentie.
Deze studie analyseert empirisch hoe label- en selectiebias de evaluatie, prestaties en mitigatie van classificatiemodellen beïnvloeden, en introduceert een nieuw raamwerk dat aantoont dat er geen afweging bestaat tussen eerlijkheid en nauwkeurigheid wanneer modellen worden getest op onbevooroordeelde data.
Deze paper introduceert een open-source framework voor tijdreeksanomaliedetectie met Graph Neural Networks, dat niet alleen de prestaties en interpreteerbaarheid van dergelijke modellen verbetert, maar ook kritische inzichten biedt over de huidige evaluatiemethoden.
Dit paper introduceert EsoLang-Bench, een benchmark die esoterische programmeertalen gebruikt om aan te tonen dat grote taalmodellen, ondanks hoge scores op standaardtests, gebrek hebben aan echt redeneervermogen en in plaats daarvan voornamelijk op memorisatie vertrouwen.
Dit artikel toont aan dat de mate van catastrofe vergeetgedrag bij parameter-efficiënt fine-tuning op basis van lage-rang decompositie sterk wordt bepaald door de geometrie en parameterisatie van de update-ruimte, waarbij tensor-decomposities en structureel uitgelijnde methoden superieur zijn in het behoud van eerder geleerde kennis tijdens sequentieel leren.
Dit paper introduceert ActiveUltraFeedback, een modulaire actieve leer-pijplijn die onzekerheidsschattingen en nieuwe selectiemethoden gebruikt om het labelen van voorkeursdata voor het uitlijnen van grote taalmodellen aanzienlijk te versnellen en te optimaliseren met slechts een fractie van de benodigde annotatie.
Deze studie introduceert PF-PINO, een door natuurkundige wetten geïnspireerd neuronaal operator-framework dat de nauwkeurigheid, generalisatie en langetermijnstabiliteit van parametrische faseveldmodellen voor complexe materiaalontwikkeling aanzienlijk verbetert ten opzichte van conventionele methoden.
Dit paper introduceert Mousse, een nieuwe optimizer die de stabiliteit van Muon combineert met de geometrische aanpassing van Shampoo door spectrale updates uit te voeren in een witgemaakte coördinatenruimte, wat leidt tot een aanzienlijke versnelling van het trainingsproces voor taalmodellen zonder noemenswaardige rekenkosten.
Dit paper stelt een multi-prototype-geleide federatieve kennisdistillatie-methode (MP-FedKD) voor voor AI-RAN-enabled Multi-Access Edge Computing-systemen, die de uitdagingen van niet-IID-gegevens overwint door het gebruik van conditionele hiërarchische agglomeratieve clustering en een nieuwe verliesfunctie om de prestaties te verbeteren ten opzichte van bestaande methoden.
Dit artikel leidt theoretische bovenste generalisatiegrenzen af voor neurale oscillatoren, gebaseerd op tweede-orde differentiaalvergelijkingen en multilayer perceptrons, en toont aan dat het beperken van de Lipschitz-constanten via regularisatie de generalisatieprestaties verbetert, wat wordt bevestigd door numerieke validatie op een Bouc-Wen-systeem.
Dit artikel bewijst dat lineaire functionalen van discrete-tijdsignaturen universele benaderers zijn voor pad-afhankelijke functionalen op stuksgewijs lineaire paden, wat leidt tot nieuwe -benaderingsresultaten voor stochastische differentiaalvergelijkingen en gerelateerde systemen gedreven door Brownse beweging.
Deze paper toont aan dat mainstream XAI-methoden vaak vergeten dat neurale netwerken ook geactiveerd worden door het ontbreken van concepten, en stelt twee eenvoudige uitbreidingen voor om deze 'gecodeerde afwezigheden' in beeld te brengen en te gebruiken voor betere uitleg en debiasing.
Dit artikel presenteert een hybride quantum-klassiek framework dat een LSTM-netwerk combineert met een Quantum Circuit Born Machine om de volatiliteit van financiële markten nauwkeuriger te voorspellen dan traditionele modellen, zoals aangetoond door experimenten met Chinese aandelenindexen.
Dit paper introduceert ACP-SL, een adaptief kanaalpruning-systeem voor gesplitst leren dat communicatie-overhead vermindert door label-bewuste kanaal-importantiemetingen te gebruiken om minder belangrijke kanalen te verwijderen en zo de doorgegeven 'gesmoorde' data te comprimeren zonder in te leveren op de nauwkeurigheid.