5452 papers
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.
Deze studie introduceert een operationeel veiligheidsgericht evaluatiekader voor stroomnetvoorspelling dat de tekortkomingen van traditionele nauwkeurigheidsmetrieken blootlegt en aantoont dat, hoewel state-space modellen en geavanceerde weather-fusie strategieën de betrouwbaarheid verbeteren, probabilistische kalibratie zonder expliciete bias-beperkingen kan leiden tot onveilige "schijnveiligheid" door systematische overvoorspelling.
Dit artikel introduceert een amortized Bayesian inference-framework voor graafdata dat permutatie-invariante encoders combineert met neurale posterior-schattingen om snelle, likelihood-vrije inferentie mogelijk te maken op knoop-, rand- en graf-niveau in diverse domeinen zoals biologie en logistiek.
DevBench is een door telemetry gedreven benchmark die Large Language Models evalueert op realistische code-aanvullingstaken om ecologische validiteit te waarborgen en bruikbare inzichten te bieden voor modelselectie en -verbetering.
Dit artikel biedt het eerste componenten-gebaseerde overzicht van de wederzijdse interactie tussen grote taalmodellen en multi-armed bandits, waarbij wordt onderzocht hoe deze technologieën elkaar wederzijds verbeteren in zowel besluitvorming als taalverwerking.
Het artikel introduceert ELSA, een nieuw framework dat split learning en hiërarchische federatie combineert om privacybewuste en efficiënte fine-tuning van grote taalmodellen op het netwerk-edge mogelijk te maken ondanks beperkte bronnen en data-heterogeniteit.
Dit artikel introduceert een nieuwe, dataratesbewuste architectuur voor CNN-inferentie op FPGA's die door slimme signaleninterleaving en hardware-delen een hoge hardwarebenutting en doorvoer garandeert, zelfs bij lagen met datareductie zoals pooling en convolutie met stride.
Dit paper introduceert MeanCache, een trainingsvrij caching-framework dat Flow Matching-inferentie versnelt door in plaats van momentane snelheid gemiddelde snelheden te gebruiken via Jacobiaan-vectorproducten, wat leidt tot aanzienlijke versnelling (tot 4,56x) en verbeterde kwaliteitsbehoud bij generatieve modellen zoals FLUX.1 en HunyuanVideo.
PASS is een schaalbaar framework voor k-means clustering met paarsgewijze constraints dat optimalisatie concentreert op een klein werksubsets, waardoor het zowel klassieke als quantum-benaderingen efficiënter maakt en verifieerbare oplossingen biedt voor onmogelijke constraintsets.
Deze studie toont aan dat modelvrije neurale netwerken, met name state-space-modellen, in niet-lineaire dynamische systemen een schatting van de toestand kunnen leveren die vergelijkbaar is met sterke klassieke filters, terwijl ze tegelijkertijd een aanzienlijk hogere doorvoersnelheid bereiken zonder toegang te hebben tot de onderliggende systeemvergelijkingen.
Dit paper introduceert TimeSliver, een nieuw interpreteerbaar deep learning-framework dat door het combineren van ruwe tijdsreeksdata met symbolische abstractie de bijdrage van elke tijdssegment aan de voorspelling lineair encodeert, waardoor het zowel de interpretatieverbetering als de voorspellende prestaties van bestaande methoden voor tijdsreeksclassificatie overtreft.
Deze paper introduceert TGCC, een nieuwe methode voor grafcondensatie die op causaliteit gebaseerde, domein-invariante kenmerken gebruikt om effectieve en overdraagbare gecomprimeerde datasets te creëren die de prestaties in complexe cross-task en cross-domein scenario's aanzienlijk verbeteren.