5511 papers
Dit artikel introduceert DR-SPCRL, een methode die het robustheidsbudget in distributioneel robuust versterkend leren dynamisch aanpast via een zelfgestuurd curriculum om zo een superieure balans te vinden tussen prestatie en stabiliteit onder omgevingsveranderingen.
Deze paper introduceert een augmentatievrij raamwerk voor multi-view grafiekcontrastief leren dat gebruikmaakt van fractie-orde neurale diffusie om via een leerbaar differentie-ordeparameter een continu spectrum van lokale tot globale weergaven automatisch te genereren, waardoor robuustere en expressievere embedddings worden verkregen dan bestaande methoden.
Dit artikel presenteert een verbeterde Conditional Variational Autoencoder die Non-Volume Preserving-transformaties gebruikt om de verdeling van de latente ruimte nauwkeuriger te modelleren, wat resulteert in scherpere en diversere gegenereerde afbeeldingen met een significante reductie van de FID en een toename van de log-waarschijnlijkheid.
Dit artikel introduceert een schaalbare en nauwkeurigere methode voor het certificeren van robuustheid tegen aanval met weinig pixels door het convex-hull-probleem van de -bal te benaderen via een asymmetrisch geschaalde -achtige polytoop en een daarop gebaseerde lineaire bound propagatie.
Dit artikel introduceert de Angular Gradient Sign-methode, een nieuw adversariaal aanvalsmechanisme dat specifiek de hoekcomponent van gradiënten in de hyperbolische ruimte benut om efficiëntere en geometrisch consistente aanvalspunten te genereren dan bestaande methoden.
Dit paper introduceert een realistischer probabilistisch certificeringskader voor SmoothLLM dat de strikte 'k-onstabiele' aanname vervangt door een '(k, ε)-onstabiele' definitie, waardoor betrouwbaardere veiligheidsgaranties tegen diverse jailbreak-aanvallen mogelijk worden gemaakt.
Dit paper introduceert een geautomatiseerde pipeline voor het genereren van grootschalige, psychologisch onderbouwde multi-turn jailbreak-datasets en toont aan dat GPT-modellen kwetsbaar zijn voor dergelijke contextuele manipulaties, terwijl Gemini 2.5 Flash uitzonderlijk robuust blijkt.
Deze paper introduceert een methode die shortcut-learning in diepe neurale netwerken aanpakt door gerichte anisotrope ruis in een ontkoppelde latente ruimte te injecteren, waardoor de classifier onafhankelijk wordt van shortcut-assen zonder dat shortcut-labels of tegenstrijdige voorbeelden nodig zijn.
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.