5694 papers
DemoDiffusion is een methode die robots in staat stelt om complexe manipulatieopdrachten te leren door een enkele menselijke demonstratie na te bootsen, waarbij kinematische retargeting wordt gecombineerd met een vooringeschoolde diffusiepolicy om robuuste aanpassing mogelijk te maken zonder specifieke training of gekoppelde mens-robotdata.
Dit onderzoek toont aan dat kunstmatige visiesystemen robuuster en meer op de mens gelijkend worden door ze te trainen met een ontwikkelingsvisueel dieet dat is geïnspireerd op de menselijke visuele ontwikkeling, wat leidt tot een sterkere focus op vorm in plaats van textuur en een betere weerstand tegen verstoringen.
Dit artikel toont aan dat Physics-Informed Neural Networks (PINNs) voor het oplossen van PDE's met ruis in de data een minimale netwerkgrootte vereisen om de trainingsfout onder de ruisvariatie te brengen, waarbij het simpelweg verhogen van het aantal steekproeven geen "gratis lunch" biedt.
Dit paper introduceert TableEG, een framework dat gebruikmaakt van fijngefineerde grote taalmodellen om authentieke fouten in tabulaire data te genereren, waardoor een robuust en betrouwbaar benchmark voor het evalueren van data-cleaning technieken wordt gecreëerd.
Dit artikel introduceert MCULoRA, een robuust raamwerk voor emotionele herkenning met onvolledige multimodale data dat door middel van ontkoppeling en dynamische aanpassing van laag-rang adaptatie de prestaties van bestaande methoden aanzienlijk verbetert.
Dit paper introduceert een methode genaamd Self-Grounded Verification (SGV) die de neiging van multimodale taalmodellen om agenten-acties te overdreven te valideren (de 'agreement bias') vermindert, waardoor de nauwkeurigheid van verifiers en de prestaties van agenten in taken zoals webnavigatie en robotica aanzienlijk worden verbeterd.
Dit artikel biedt het eerste uitgebreide overzicht van de recente ontwikkelingen in flow matching en de toepassing ervan op biologische domeinen, waaronder sequentiemodellering, molecuulontwerp en eiwitgeneratie.
Deze paper introduceert een boomgebaseerde aanpak voor weak-to-strong generalisatie die sterke modellen traint met zowel succes- als falingspaden van zwakke modellen, gebruikmakend van Monte Carlo Tree Search om de besluitvorming en redeneervermogens in complexe interactieve omgevingen te optimaliseren.
Dit artikel onderzoekt hoe kwaadaardige auditees de schijn van eerlijkheid kunnen wekken door manipulatie van datasets, formaliseert deze aanval als een wiskundig projectieprobleem, en evalueert statistische methoden om dergelijke vertekende steekproeven te detecteren.
Deze paper introduceert een dynamisch, automatisch en systematisch (DAS) red-teaming-framework dat, in tegenstelling tot statische benchmarks, de kwetsbaarheden van medische taalmodellen blootlegt door te tonen dat hoge prestaties op bestaande tests niet garanderen dat deze modellen betrouwbaar zijn in realistische, dynamische klinische scenario's.
Dit paper introduceert CauKer, een algoritme dat synthetische tijdreeksen genereert met behulp van Gaussische processen en causale modellen om tijdreeks-fundamentmodellen voor classificatie efficiënter voor te trainen dan met real-world data.
Dit paper introduceert GraphProp, een tweefasige methode voor het trainen van graf-foundationmodellen die zich richt op structurele generalisatie door graf-invarianten te voorspellen en deze te gebruiken als positie-encoding, waardoor de modellen superieure prestaties leveren bij graf-classificatie, vooral in scenario's zonder knooppuntattributen.
Dit artikel toont aan dat gating-mechanismen in recurrente neurale netwerken de effectieve leersnelheden tijdsafhankelijk en richtingsafhankelijk maken door een koppeling tussen de tijdschalen van de toestanden en de dynamica van de parameters, waardoor gates fungeren als data-gedreven preconditioners die de optimalisatie en credit assignment verbeteren.
Dit paper introduceert ECHO, een nieuw foundation model dat geavanceerde band-split architectuur en frequentie-positional embeddings combineert om variabele lengte signaalanalyses op willekeurige samplefrequenties mogelijk te maken, wat leidt tot state-of-the-art prestaties in machine-anomaliedetectie en foutclassificatie.
Dit artikel introduceert een algoritme op basis van inverse dynamische spellen dat parametrische beperkingen leert uit demonstraties van lokale Nash-evenwichten door gemengd-geheheel lineaire programmering te gebruiken, waarmee zowel theoretische garanties worden geboden voor het benaderen van veilige gebieden als robuuste bewegingsplanning wordt mogelijk gemaakt voor agenten met niet-lineaire dynamiek.
Dit artikel introduceert het Condition-based Latent Diffusion Model (CbLDM), een versnelde generatieve aanpak die Laplace-matrices en conditionele priors gebruikt om de inverse probleemoplossing voor het herwinnen van nanostructuren van monometallische nanopartikels uit hun atomaire paar-distributiefunctie (PDF) te stabiliseren en op te lossen.
Dit artikel introduceert een unificerend trainingskader dat een entropie-gedreven curriculumleerstrategie combineert met multi-task learning om de menselijke mobiliteitsvoorspelling te verbeteren door trajectvoorspelbaarheid te kwantificeren en afstand en richting als aanvullende taken te integreren, wat leidt tot state-of-the-art prestaties en een tot 2,92-voudig snellere convergentie.
Dit artikel vergelijkt imputatiegebaseerde methoden (MICE) met generatieve modellen zoals VAE's en CTGAN's voor het genereren van synthetische verzekeringsdata en concludeert dat MICE een effectief alternatief biedt met hogere data-kwaliteit en lagere implementatiecomplexiteit.
Dit artikel introduceert de F²SA--methode, die hogere-orde einddifferenties gebruikt om de complexiteit van stochastische bilevel-optimalisatie te verbeteren tot voor sterk gladde problemen, waardoor de snelheid dichter bij de ondergrens van komt.
Dit onderzoek toont aan dat er een fundamentele asymmetrie bestaat in het afleiden van agentgedrag, waarbij motieven met bijna 100% nauwkeurigheid kunnen worden geïdentificeerd, terwijl geloofssystemen ondanks schaalvergroting en geavanceerde architecturen een hard plafond bereiken van ongeveer 49% nauwkeurigheid vanwege een inherent informatiefout.