5350 papers
Dit artikel rapporteert over de succesvolle toepassing van door een crowdsourcing-competitie gegenereerde hybride fysica-ML klimaatmodellen, die aantonen dat online stabiliteit in realistische geografische settingen haalbaar is en dat dergelijke modellen state-of-the-art prestaties leveren op belangrijke klimaatmetrieken.
Dit artikel introduceert CRAwDAD, een framework dat twee taalmodellen in een debat laat treden om hun redeneervermogen te verbeteren en zo de nauwkeurigheid van causale inferentie, met name bij tegenwerkelijke vragen, aanzienlijk verhoogt.
Dit artikel introduceert ForamDeepSlice, een hoog-accuraat deep learning-framework dat een ensemble van CNN-architecturen gebruikt om foraminiferasoorten te classificeren op basis van 2D micro-CT-slices, waarbij een testnauwkeurigheid van 95,64% wordt bereikt en een interactief dashboard voor praktische toepassing wordt ontwikkeld.
Het paper introduceert AltNet, een methode die het plasticiteit-stabiliteitsdilemma in versterkingslering oplost door gebruik te maken van een paar tweelingnetwerken die om de beurt actief zijn, waardoor plasticiteit wordt hersteld zonder prestatieverlies tijdens resets.
Deze paper introduceert MSPT, een efficiënt transformer-architectuur die ball trees en multi-schaal aandacht combineert om industriële fysische simulaties met miljoenen punten op één GPU te modelleren met state-of-the-art nauwkeurigheid en een aanzienlijk lager reken- en geheugengebruik.
Deze paper introduceert "Dual Randomized Smoothing", een raamwerk dat de beperking van een vaste globale ruisvariatie doorbreekt door per invoer een geoptimaliseerde variatie te voorspellen, waardoor zowel bij kleine als grote stralen aanzienlijk betere gecertificeerde robuustheid wordt bereikt dan met eerdere methoden.
Dit paper introduceert DROCO, een nieuw algoritme voor cross-domein offline versterkend leren dat zowel train- als testtijd-robuustheid tegen dynamische verschuivingen garandeert door middel van een nieuwe Robuuste Cross-Domein Bellman-operator en aanvullende technieken voor waardecorrectie.
Dit paper introduceert GoRL, een framework dat de stabiliteit en expressiviteit van online versterkend leren verbetert door optimalisatie te ontkoppelen van generatie via een tractabele latente ruimte en een conditionele generatieve decoder, wat leidt tot superieure prestaties op complexe controle-taken.
Dit artikel introduceert Sparse Isotonic Shapley Regression (SISR), een geünificeerd raamwerk dat monotoon transformatie en sparsiteit combineert om de beperkingen van traditionele Shapley-waarden bij niet-lineaire afhankelijkheden en hoge dimensionaliteit te overwinnen en zo nauwkeurigere, stabielere en efficiëntere verklaringen voor AI-modellen te bieden.
Dit paper introduceert een tweestaps generatief data-augmentatieframework dat regelgebaseerde maskervervorming combineert met GAN-gebaseerde beeld-naar-beeld vertaling om effectieve gemaskerde gezichtsdetectie en -herkenning mogelijk te maken met een zeer kleine dataset, terwijl het ook de beperkte academische en financiële omstandigheden achter de totstandkoming van het werk belicht.
Dit artikel introduceert SALVE, een unificerend raamwerk dat mechanische interpreteerbaarheid en modelbewerking combineert door middel van een sparse autoencoder en Grad-FAM om neurale netwerken te ontdekken, valideren en permanent te controleren via precisie-ingrepen in de gewichtenruimte.
Dit paper introduceert LaMer, een Meta-RL-framework dat grote taalmodelagenten in staat stelt om actief te exploreren en zich zonder gradiëntupdates aan te passen aan omgevingsfeedback, wat leidt tot aanzienlijke prestatieverbeteringen en betere generalisatie vergeleken met traditionele RL-baselines.
Dit paper introduceert Re-Depth Anything, een testtijd-framework dat monokulaire diepsschatting verbetert door foundation modellen te combineren met grote 2D-diffusiemodellen via zelftoezicht op basis van hersynthese van belichting en Shape-from-Shading, zonder labels te vereisen.
Dit artikel introduceert drie complementaire strategieën voor concurrente training van Kolmogorov-Arnold-netwerken (KAN's) op basis van de Newton-Kaczmarz-methode, waaronder een vooraf trainingsprocedure, training op disjuncte datasets en een FPGA-implementatie, om de sequentiële beperkingen van de update-berekening te doorbreken en de convergentie en snelheid aanzienlijk te verbeteren.
Dit paper introduceert Latent Sculpting, een hiërarchisch manifold-leerframework dat door het expliciet structureren van de latent ruimte en het toepassen van een Masked Autoregressive Flow, robuuste zero-shot detectie van out-of-distribution cyberaanvallen mogelijk maakt waar bestaande methoden falen.
Dit artikel introduceert FedORA, een methode op basis van primal-dual optimalisatie die het effectief en efficiënt verwijderen van specifieke data of labels mogelijk maakt in verticaal federatief leren, terwijl de modelprestaties behouden blijven en de communicatie- en rekenkosten worden verlaagd.
Dit artikel presenteert een procesmijningsmethode die netwerkbewegingen van online games zoals Clash Royale en Rocket League analyseert door onbewaakte toestandherkenning om interpreteerbare Petri-netten te genereren en het speltype met hoge nauwkeurigheid te classificeren.
Deze paper introduceert een parameterloze methode voor het coarsenen van ruimtelijke grafen door korte randen in te storten, waarbij een nieuwe 'triangle-aware' filtratie wordt gebruikt om de topologische kenmerken te behouden en de methode invariant is onder rotatie, translatie en schaling.
Dit artikel introduceert actor-critic-methoden met robuuste schatters die de eerste niet-triviale garanties bieden voor het leren van een near-optimaal beleid in hoge-dimensionale, schaarse offline versterkingsleer onder sterke data-corruptie en beperkte concentratievoorwaarden.
Dit paper introduceert zwakkere beperkingen voor filters in groepsconvolutie-neurale netwerken die het aantal benodigde knopen verminderen, incompatibiliteiten met niet-compacte stabilisatoren oplossen, en eerdere resultaten generaliseren naar niet-transitieve groepswerkingen en niet-unimodulaire groepen.