2315 papers
Deze studie concludeert dat voor de verkoopvoorspelling in de detailhandel, ondanks de complexiteit van de data, geavanceerde deep learning-modellen onderpresteren ten opzichte van geoptimaliseerde boomgebaseerde ensemble-methoden zoals XGBoost, wat aantoont dat de afstemming op de probleemkarakteristiek belangrijker is dan architecturale complexiteit.
Dit paper introduceert ReLIFT, een nieuwe trainingsmethode die reinforcement learning en online fine-tuning afwisselt om de beperkingen van RL te overwinnen en modellen effectief nieuwe kennis en redeneervermogens voor de moeilijkste vragen aan te leren.
Dit artikel introduceert Prefix-Scannable Models (PSMs), een generalisatie van bestaande architecturen die door het toestaan van niet-associatieve operatoren (zoals softmax) de expressiviteit van transformatoren combineert met de efficiënte, lineaire inferentie van state space-modellen.
Dit survey biedt een uitgebreid overzicht van differentiele privacy in machine learning, waarbij het de evolutie van de theorie, de integratie in modellen en de praktische evaluatie bespreekt om veilige en verantwoorde AI-systemen te bevorderen.
Dit paper introduceert K-Sil, een silhouette-gedreven variant van k-means die punten weegt op basis van hun toewijzingszekerheid en een adaptieve temperatuur gebruikt om de centroidupdates te verfijnen, wat leidt tot betere clusteringresultaten op diverse real-world datasets.
Dit paper introduceert het Yokai Learning Environment (YLE), een uitdagende nieuwe benchmark voor zero-shot coördinatie die de beperkingen van de bestaande Hanabi-benchmark blootlegt door te vereisen dat agenten geloofsoverdracht, ambiguïteit en spelbeëindiging beheren, waardoor wordt aangetoond dat huidige toonaangevende methoden in YLE falen terwijl ze in Hanabi uitstekend presteren.
Dit artikel introduceert het SRTS-algoritme op basis van Thompson Sampling voor het maximaliseren van de Sharpe-ratio in een stochastisch bandit-probleem, waarbij het bewijst dat de regret logaritmisch is en orde-optimaal is, en experimenteel aantoont dat het bestaande methoden significantly overtreft.
Dit artikel bewijst dat analoge kwantumsimulatoren met globale besturing universeel zijn voor kwantumberekening, introduceert een direct optimalisatiekader voor de synthese van complexe interacties, en valideert experimenteel de realisatie van topologische dynamica en effectieve meerdeeltjesinteracties op Rydberg-atoomarrays.
Dit artikel introduceert een snelle methode voor het voltooien van tensores met 'fiber-wise' waarnemingen langs één modus, waarbij de tensor-train decompositie uitsluitend met standaard lineaire algebra wordt berekend onder deterministische voorwaarden.
Dit artikel introduceert een overdraagbare methode voor parametrische optimale besturingsproblemen die, door het gebruik van een functie-encoderbeleid en een offline-online decompositie, nieuwe doelen in real-time en zonder extra training (zero-shot) kan oplossen met minimale rekenkosten.
Dit artikel biedt een theoretische verklaring voor de voordelen van het synchroniseren van trainbare inverse temperatuur en bias onder de sigmoid-verliesfunctie, zoals gebruikt in SigLIP-modellen, door een nieuw combinatorisch object genaamd -Constellations te introduceren dat de succesvolle prestaties, de modale kloof en de benodigde dimensie voor kwalitatief hoogwaardige representaties verklaart.
Dit onderzoek toont aan dat diepe leermodellen, met name U-Net en SCAN, superieur zijn aan conventionele methoden voor het detecteren van wolken en wolkschaduwen in hyperspectrale beelden van de MethaneSAT- en MethaneAIR-missies, waardoor de nauwkeurigheid van methaanretrievals aanzienlijk wordt verbeterd.
Deze studie onthult dat veel huidige meermodale benchmarks onbedoeld afhankelijkheid van afzonderlijke modaliteiten (zoals alleen tekst of alleen afbeeldingen) versterken in plaats van hun interactie, wat leidt tot een nieuwe kwantitatieve karakterisering voor een betere evaluatie van meervoudige modaliteiten.
Dit paper introduceert een pragmatisch, API-gebaseerd framework dat machine learning op legacy-systemen mogelijk maakt door het modellevenscyclus te ontkoppelen van de productieomgeving, waardoor experts via een lichtgewicht browserinterface zonder hardware-upgrades of productiestilstand toegang krijgen tot geavanceerde ML-analyses.
Deze paper introduceert SMoPE, een nieuw raamwerk voor continu leren dat een sparse Mixture of Experts-architectuur toepast op gedeelde prompts om de prestaties van taakspecifieke methoden te benaderen met aanzienlijk minder rekenkosten en geheugengebruik.
Het paper introduceert RADAR, een lichtgewicht en interpreteerbaar routeringskader dat, geïnspireerd door psychometrie, query's dynamisch toewijst aan de meest geschikte reasoning-LLM-configuratie op basis van de moeilijkheidsgraad van de vraag en het beschikbare reasoning-budget om zo de prestaties te maximaliseren en de kosten te optimaliseren.
Dit paper introduceert Composer, een modulaire zoekframework voor hybride neurale architecturen dat door middel van schaalstrategieën nieuwe LLM-ontdekkingen mogelijk maakt die Llama 3.2 overtreffen in prestaties en efficiëntie.
Dit paper introduceert MIG-Vis, een methode die variatie-automatische codering en mutual information-gestuurde diffusiemodellen combineert om te aantonen dat neurale populaties in de hogere visuele cortex van makaken georganiseerd zijn in semantisch selectieve subspaces die specifieke visuele eigenschappen coderen.
Dit onderzoek toont aan dat eenvoudige communicatieprotocollen in multi-agent LLM-systemen veel effectiever zijn voor het bevorderen van samenwerking dan curriculumlearning, die door suboptimale ontwerpkiesingen kan leiden tot 'aangeleerd pessimisme' en een afname van samenwerking.
Dit artikel presenteert de eerste systematische evaluatie van zelftoezichthoudend leren (SSL) voor slaapstadiëring met draagbare EEG, waarbij wordt aangetoond dat deze aanpak de prestaties aanzienlijk verbetert en klinisch bruikbare nauwkeurigheid bereikt met slechts 5% tot 10% van de benodigde gelabelde data.