4895 papers
Dit artikel presenteert een witte-doos SVM-framework, geoptimaliseerd met zwermalgoritmen, voor het toezicht op tandvormige freesmessen door middel van karakterisering van asvibraties en selectie van relevante statistische kenmerken.
Dit artikel biedt een overzicht van de literatuur over geautomatiseerd versterkend leren (AutoRL), inclusief recente LLM-technieken, en bespreekt de uitdagingen, open vragen en toekomstige onderzoeksrichtingen op dit gebied.
In dit artikel wordt een nieuw, uitlegbaar model voorgesteld dat data-onzekerheid direct verwerkt om onzekere astronomische tijdsreeksen met een vergelijkbare nauwkeurigheid als state-of-the-art methoden te classificeren, terwijl het tegelijkertijd inzicht biedt in de onderliggende lichtkromme-eigenschappen.
Dit artikel introduceert een ensemble-leermethode op basis van Gaussian Process Regression die de computationele complexiteit verlaagt en statistisch en economisch superieure resultaten boekt ten opzichte van bestaande machine learning-modellen bij het voorspellen van aandelenrendementen en het construeren van optimale portefeuilles.
Deze paper biedt voor het eerst wiskundige garanties voor een kostgedreven aanpak die een latente staterepresentatie leert door kosten te voorspellen in plaats van observaties, waardoor een bijna-optimale regelaar kan worden gevonden voor eindhorizontale Lineair-Kwadratisch-Gaussische (LQG) controleproblemen.
Dit paper introduceert de IW-DKF, een verbeterde variant van de Deep Kalman Filter die belangrijke steekproeven toepast om de schatting van log-waarschijnlijkheden en de nauwkeurigheid van de schatting van latente toestanden en parameters in niet-lineaire dynamische systemen te optimaliseren.
Dit paper introduceert MU-Mis, een methode voor machine unlearning die de bijdrage van te vergeten data onderdrukt door de gevoeligheid van het model te minimaliseren, waardoor een effectief vergeten mogelijk is zonder toegang tot de resterende data en zonder in te leveren op de modelprestaties.
Dit artikel biedt een survey van Computerized Adaptive Testing (CAT) vanuit een machine learning-perspectief, waarbij wordt onderzocht hoe deze technieken de meetmodellen, vraagselectie, bankconstructie en testbeheer kunnen optimaliseren om robuustere, eerlijkere en efficiëntere adaptieve testsystemen te ontwikkelen.
Dit artikel introduceert het NQS-DQME-framework, dat kunstmatige neurale netwerken combineert met dissipaton-gebaseerde kwantummeestervergelijkingen om niet-Markoviaanse open kwantumsystemen nauwkeurig en schaalbaar te simuleren.
Het artikel introduceert LoRA-Ensemble, een parameter-efficiënte methode voor zelfattentie-netwerken die via Low-Rank Adaptatie een impliciete ensemble vormt die niet alleen de nauwkeurigheid van expliciete ensembles evenaart of overtreft, maar ook superieure kalibratie biedt.
Dit paper introduceert FEX, een nieuw framework dat attributie-gebaseerde uitleggen via waarschijnlijkheidsverdelingen en policy gradient-optimalisatie mogelijk maakt, waardoor de inferentietijd met meer dan 97% en het geheugengebruik met 70% wordt gereduceerd ten opzichte van traditionele model-onafhankelijke methoden, terwijl de kwaliteit en toepasbaarheid behouden blijven.
Dit paper identificeert en analyseert een 'corruptiestadium' tijdens het few-shot fine-tunen van diffusiemodellen, waarbij beeldkwaliteit tijdelijk verslechtert door een versmalde leerverdeling, en lost dit op door Bayesiaanse neurale netwerken toe te passen om de distributie te verbreden en zo de beeldkwaliteit, diversiteit en trouw te verbeteren zonder extra inferentiekosten.
Dit artikel introduceert DKDL-Net, een lichtgewicht model voor het detecteren van defecten in rollende lagers dat decoupled knowledge distillation en low-rank adaptatie combineert om een nauwkeurigheid van 99,48% te bereiken met aanzienlijk minder parameters dan bestaande methoden.
Dit artikel introduceert een gestructureerd semiparametrisch raamwerk dat dubbel machine learning combineert met modellen voor algoritmekeuze en kijkersrespons om de vertekende schattingen van behandelingseffecten door algoritmische interferentie in tweezijdige markten te corrigeren en zo nauwkeurige globale effecten voor platformrollouts te kunnen bepalen.
Dit paper introduceert LAMBDA, een open-source, codevrij multi-agent systeem dat grote taalmodellen gebruikt om data-analyse te stroomlijnen via een samenwerking tussen programmeur- en inspecteur-agenten, met ondersteuning voor menselijke ingrepen en externe kennisintegratie.
Dit paper introduceert OTAD, een robuust model dat optimale transporttheorie combineert met convex integratie om Deep Neural Networks zowel nauwkeurig te laten trainen als gegarandeerd lokaal Lipschitz-continu te houden, waardoor ze beter bestand zijn tegen agnostische adversarial attacks dan bestaande methoden.
Dit artikel legt de statistische fundamenten voor de mini-batch maximum partiële-likelihood-schatter (mb-MPLE) in diepe Cox-modellen, bewijst de consistentie en optimale convergentie, en biedt praktische richtlijnen voor het gebruik van stochastische gradiëntafstijging (SGD) in zowel theoretische als grote-scale toepassingen.
Deze paper introduceert een efficiënt variational learning-algoritme voor Gaussian Process Latent Variable Models dat Annealed Importance Sampling combineert met reparameterisatie om de beperkingen van bestaande methoden in complexe, hoogdimensionale ruimtes te overwinnen en superieure prestaties te leveren.
Dit artikel introduceert de Z-Gromov-Wasserstein-afstand als een verenigend theoretisch raamwerk voor het vergelijken van Z-netwerken, waarbij het bestaande varianten omvat en waarborgt dat de resulterende ruimte wenselijke eigenschappen zoals volledigheid en geodeitische structuur behoudt.
Deze studie waarschuwt dat post-hoc uitlegmiddelen zoals SHAP en LIME, hoewel veel gebruikt in bedrijfsresearch, onbetrouwbaar zijn voor het valideren van hypothesen over onderliggende data-relaties vanwege hun gevoeligheid voor correlaties en het Rashomon-effect, en pleit ervoor ze uitsluitend te gebruiken als verkennende hulpmiddelen.