4912 papers
Deze paper weerlegt de vaak te optimistische aannames over de energie-efficiëntie van spiking neural networks door een rigoureuze vergelijking met kwantiseerde neurale netwerken te maken en aantoont dat SNNs alleen onder specifieke voorwaarden, zoals een lage spierate, daadwerkelijk energiebesparend zijn, wat kan leiden tot een verdubbeling van de batterijduur van apparaten zoals smartwatches.
Dit artikel introduceert een nieuw model voor gekoppelde oscillator-netwerken dat de wiskundige structuur van fysische systemen behoudt en globale stabiliteit garandeert, waardoor effectieve modelgebaseerde regeling in een latente ruimte mogelijk wordt, zelfs wanneer alleen ruwe beelden als feedback worden gebruikt.
Dit paper introduceert xTED, een framework dat een speciaal ontworpen diffusion-model gebruikt om bron-domein trajecten direct op data-niveau aan te passen aan het doel-domein, waardoor complexe domein-specifieke modellen worden vermeden en de prestaties van beleidsleer worden verbeterd.
Dit paper introduceert BNEM, een geavanceerde Boltzmann-sampler die op basis van bootstrapping en noised energy matching neural networks traint om energie-functies te leren voor het genereren van robuuste en state-of-the-art onafhankelijke steekproeven zonder vooraf bestaande data.
Dit artikel bewijst dat beleidsgradiëntmethoden, ondanks de niet-convexe aard van de optimalisatie, met een niet-asymptotische snelheid convergeren naar een globaal optimaal beleid voor eind-horizon MDP's met algemene toestanden en acties door gebruik te maken van de Polyak-Łojasiewicz-Kurdyka (PLK)-voorwaarde, wat leidt tot nieuwe sample-complexiteit garanties voor diverse operationele modellen zoals voorraad- en kasbalanssystemen.
Deze paper introduceert Neural Delay Differential Equations (NDDEs), een continu-tijd framework dat geïnspireerd is op het Mori-Zwanzig formalisme en effectief niet-Markoviaanse dynamica leert uit gedeeltelijk waarneembare data door geheugeneffecten te modelleren via tijdvertragingen.
Dit paper introduceert LS-Imagine, een methode die de verbeeldingshorizon van visuele reinforcement learning-agenten uitbreidt door een lang-kortetermijnwereldmodel te gebruiken, waardoor de verkenningsefficiëntie in complexe open werelden zoals MineDojo aanzienlijk verbetert.
Dit artikel introduceert een PAC-Bayesiaans analytisch raamwerk dat adversarial training als een discreet tijdsysteem modelleert om het mechanisme van robust overfitting te verklaren en aan te tonen hoe adversarial weight perturbation de generalisatie verbetert door de kromming van de verliesfunctie te onderdrukken, zij het met een mogelijk suboptimale optimalisatie door over-penaliseren.
Dit artikel toont aan dat transformers in een in-context learning setting, zonder testtijd-gradiëntupdates of expliciete modelkennis, de verborgen toestanden van dynamische systemen impliciet kunnen schatten om nauwkeurige voorspellingen te doen die vergelijkbaar zijn met die van de Kalman-filter en andere geavanceerde filterschatters.
Deze paper introduceert een adaptief transferleringskader voor clustering dat automatisch gemeenschappelijke patronen benut tussen een hoofd- en een hulpdataset, ondanks onbekende verschillen, om zo de prestaties te optimaliseren via een geoptimaliseerde bias-variatie-decompositie.
Deze paper introduceert het LPAM-algoritme en het daarop gebaseerde interpreteerbare LPAM-netwerk voor het oplossen van niet-convexe en niet-gladde optimalisatieproblemen met twee blokken, waarbij de convergentie wordt gegarandeerd en de effectiviteit wordt aangetoond via toepassing op MRI-reconstructie.
Deze studie introduceert een neurosymbolisch systeem dat medische beelden reconstrueert via visuele primitieven om transparante en nauwkeurigere diagnoses van histologische afwijkingen te leveren dan traditionele deep learning-architecturen.
Dit paper introduceert Puppet-CNN, een raamwerk dat convolutieparameters modelleert als een continu dynamisch systeem bestuurd door een neurale ODE, waardoor het aantal effectieve lagen input-adaptief kan worden aangepast en het aantal op te slaan trainbare parameters aanzienlijk wordt gereduceerd.
Deze paper introduceert een raamwerk voor diffusiemodellen dat de generatiedynamiek aanpast aan de complexiteit van elk individueel voorbeeld, waardoor het aantal benodigde steekproefstappen wordt verminderd zonder in te leveren op de kwaliteit.
Deze studie introduceert een optimalisatiestrategie voor locomotorische taaksets die, door middel van clusteranalyse, een minimale maar representatieve set taken identificeert om biologische heupmomenten nauwkeurig te schatten met minder data en zonder in te leveren op prestaties.
Dit paper introduceert een parametrische aanpak voor niet-parametrische regressie die optimale convergentiepercentages bereikt met minimale geheugeneisen, waardoor het geschikt is voor real-time toepassingen zoals versterkingsleren.
Dit artikel onderzoekt het potentieel van generatieve diffusiemodellen (GDM) voor massieve MIMO-communicatiesystemen, met name door een overzicht te geven van de technologie, recente vooruitgang en een case study voor kanaalschatting, terwijl het ook toekomstige uitdagingen en onderzoeksdirections identificeert.
Dit onderzoek onderzoekt de invloed van inbeddings-priors op prompt-tuning en onthult dat modellen effectief kunnen werken met inbeddings in nieuwe gebieden van de activeringsruimte, terwijl het een duidelijke clustering van activeringen voor verre taken versus vergelijkbare NLP-taken laat zien.
Deze paper introduceert een methode die voorgeprende vision-language modellen gebruikt om symbolische wereldmodellen te leren uit korte demonstraties, waardoor robots in staat zijn om via planning complexe, lange-horizon taken in nieuwe omgevingen en met nieuwe doelen op te lossen.
Dit paper introduceert UFGraphFR, een privacybehoudend federatief aanbevelingssysteem dat semantische tekstkenmerken gebruikt om globale gebruikersrelatiegrafen veilig te reconstrueren en zo de aanbevelingsnauwkeurigheid en personalisatie significant verbetert.