5346 papers
Dit paper introduceert GDR-learners, een flexibel framework dat bestaande diepe generatieve modellen (zoals normalizing flows, GANs, VAEs en diffusion modellen) combineert met Neyman-orthogonaliteit om conditionele verdelingen van potentiële uitkomsten te schatten met dubbele robustheid en quasi-orakel-efficiëntie.
In dit paper wordt CLAD-Net voorgesteld, een framework dat zelftoezichtende transformers en kennisdistillatie combineert om continue menselijke activiteitsherkenning op draagbare sensoren mogelijk te maken zonder dat er sprake is van catastrofisch vergeten, zelfs bij beperkte gelabelde data.
Het artikel introduceert GEMS, een schaalbaar, surrogaatvrij multi-agent versterkingsleringsframework dat de inefficiënties van PSRO overwint door expliciete populaties te vervangen door een compacte generator, waardoor het aanzienlijk sneller en minder geheugenintensief is terwijl het hogere beloningen behaalt.
Dit paper introduceert FS-KAN, een principieel kader voor permutatie-equivariante Kolmogorov-Arnold-netwerken dat door het delen van functies een uniforme aanpak biedt voor willekeurige permutatiesymmetriegroepen, wat leidt tot superieure data-efficiëntie en interpretbaarheid vergeleken met bestaande methoden.
Dit artikel introduceert Overlap-Adaptieve Regularisatie (OAR), een flexibele methode die bestaande meta-learners voor het schatten van conditionele gemiddelde behandelingseffecten verbetert in situaties met lage overlap door de regularisatie adaptief te koppelen aan overlap-gewichten.
Dit paper introduceert een nieuwe, diversiteitsgerichte methode voor actief correlatieclustering die specifiek is ontworpen om het uitdaging van de 'cold-start' situatie aan te pakken, waarbij geen vooraf bekende gelijkenissen beschikbaar zijn.
Dit paper introduceert een gestructureerde feedbackregelaar die hysteresis en proportionele regeling combineert om de bestedingspacing voor kleine advertentiebudgetten in online veilingen aanzienlijk te verbeteren, wat resulteert in een lagere bestedingsfout en een stabielere leveringsconsistentie.
Dit paper introduceert het concept van 'misevolving' als een systematisch risico waarbij zelfevoluerende LLM-agenten door onbedoelde afwijkingen in hun evolutiepaden (zoals model, geheugen, tools en workflow) schadelijke of onveilige gedragingen ontwikkelen, zelfs bij gebruik van toonaangevende modellen.
Dit paper introduceert de DRQ-learner, een nieuw meta-leraar voor het schatten van individuele potentiële uitkomsten in Markov-beslissingsprocessen met observationele data, die dubbel robuust, Neyman-orthogonaal en quasi-orakel-efficiënt is en hiermee de prestaties van bestaande methoden verbetert.
Deze paper presenteert een nieuw schema voor differentieel privé schatten van zwarte-bok statistieken dat een afweging biedt tussen statistische en orakel-efficiëntie, vergezeld van ondergrenzen die de near-optimale aard van het schema aantonen.
Dit paper introduceert SelfOrg, een zelforganiserend framework voor multi-agent systemen dat dynamische communicatiestructuren genereert op basis van respons-afhankelijke Shapley-waarden om samenwerking te optimaliseren zonder extra supervisie of training.
Deze paper introduceert CroSTAta, een transformer-architectuur met een nieuwe State Transition Attention-mechanisme die door het modelleren van tijdsafhankelijke overgangspatronen en het gebruik van temporale masking de robuustheid van robotmanipulatiepoliën aanzienlijk verbetert, zelfs bij uitvoeringsvariaties die niet tijdens het trainen zijn gezien.
Deze paper introduceert een nieuwe 'double projection'-methode binnen dynamische variatie-automatische coderers om zowel systeemtrajecten als ruisreeksen te schatten uit data, wat leidt tot effectieve meervoudige-stapvoorspellingen en het leren van modellen met een lage-dimensionale toestandsruimte voor zowel stochastische als deterministische dynamische systemen.
Deze studie presenteert een geautomatiseerde, LLM-gestuurde workflow die duizenden wetenschappelijke artikelen analyseert om het grootste tot nu toe bestaande dataset van thermoelektrische eigenschappen en structurele kenmerken te creëren, waarmee de weg vrijgemaakt wordt voor schaalbare, datagedreven materiaalontdekking.
Dit paper introduceert DialTree, een op-beleid versterkte leerframework geïntegreerd met boomzoektechnieken dat autonoom diverse multi-turn aanvalstrategieën ontdekt om de kwetsbaarheid van grote taalmodellen voor geavanceerde red-teaming-aanvallen significant te vergroten.
Deze studie toont aan hoe kunstmatige intelligentie en grote taalmodellen kunnen worden ingezet om Senegalese wetteksten, met name de Grond- en Openbaar Domeincode, gestructureerd te maken in een kennisgrafiek, waardoor de toegang tot juridische informatie voor burgers en professionals wordt verbeterd.
Deze studie toont aan dat bestaande grafgebaseerde tabulaire deep learning-methoden vaak falen in het nauwkeurig modelleren van onderliggende feature-interacties, wat leidt tot de conclusie dat het prioriteren van de juiste grafstructuur essentieel is voor het verbeteren van voorspellingsnauwkeurigheid.
Deze paper introduceert een schaalbaar en geregulariseerd algoritme voor het berekenen van Wasserstein-barycentra via gradiëntstromen, dat mini-batch optimal transport combineert met modulair regularisatie en toezicht-informatie om state-of-the-art resultaten te behalen op domeinadaptatie-benchmarks.
Dit artikel introduceert een pretraining-finetuning-paradigma voor robotlocomotie waarbij een op exploratie gebaseerde Inverse Dynamics Model (PIDM) wordt gebruikt om Actor-Critic-algoritmen als PPO warm te starten, wat resulteert in een aanzienlijke verbetering van de sample-efficiëntie en taakprestaties vergeleken met willekeurige initialisatie.
Dit paper introduceert ARM-FM, een raamwerk dat foundation modellen gebruikt om automatisch beloningsmachines te genereren uit natuurlijke taal voor compositional reinforcement learning, waardoor taakdecompositie en zero-shot generalisatie worden mogelijk gemaakt.