5838 papers
Dit paper introduceert LOOP, een nieuwe versterkingsleermethode voor het fijnafstemmen van tekst-naar-beeld diffusiemodellen die de steekproefefficiëntie en stabiliteit van PPO combineert met de variansiereductietechnieken van REINFORCE om een betere balans tussen efficiëntie en prestaties te bereiken.
Dit paper introduceert OrthoGrad, een nieuwe methode voor machine unlearning die door het projecteren van de gradiënt van het te vergeten dataset op de orthogonale ruimte van de behouden dataset, effectieve verwijdering van ongewenste informatie mogelijk maakt zonder de prestaties op de resterende data te schaden, zelfs wanneer slechts een klein deel van de trainingset beschikbaar is.
In deze studie wordt GlucoLens, een uitlegbare machine learning-oplossing die draagbare sensoren, voedsel- en activiteitsdata combineert met grote taalmodellen, gepresenteerd om postprandiale hyperglykemie bij volwassenen te voorspellen en via contrafactuele verklaringen behandelingspaden voor een gezonde levensstijl te ontdekken.
Dit paper introduceert IMPACT, een nieuw bewegingsplanningskader dat Vision-Language Models gebruikt om veilige contacttrajecten in rommelige omgevingen te genereren door objecteigenschappen te analyseren en een anisotrope kostenkaart te combineren met een contactbewuste A*-planner.
Dit artikel introduceert 'smooth prototype equivalences' (SPE), een raamwerk dat gebruikmaakt van invertibele neurale netwerken om de lange-termijngedragingen van dynamische systemen te karakteriseren en te classificeren op basis van beperkte, ruisachtige metingen, waardoor invariante structuren en drijvende genen in complexe biologische systemen zonder vergelijkingen kunnen worden geïdentificeerd.
Dit paper introduceert MUSS, een nieuwe multilevel-methode voor relevante en diverse subsetselectie die in vergelijking met bestaande technieken zoals MMR en DGDS aanzienlijk sneller is, betere prestaties levert in toepassingen zoals aanbevelingssystemen en RAG, en theoretisch wordt onderbouwd door een constante factor-benadering van het optimale doel.
Deze paper introduceert EDU-PRM, een nieuw trainingsframework dat gebruikmaakt van entropie-gedreven onzekerheid om complexe redeneerstappen automatisch te segmenteren zonder dure handmatige annotaties, waardoor het op het ProcessBench-benchmark presteert met slechts 1,5% van de trainingsdata en tegelijkertijd de nauwkeurigheid verhoogt terwijl het tokenverbruik met 32% daalt.
Deze studie verbetert de voorspelling van metabool syndroom door een nieuw hybride framework genaamd MetaBoost te introduceren dat geavanceerde databalanceringstechnieken combineert met contrafactuele analyse om zowel de nauwkeurigheid van machine learning-modellen te verhogen als klinisch relevante inzichten te bieden over risicofactoren zoals bloedsuiker en triglyceriden.
Dit onderzoek toont aan dat het combineren van Large Language Models voor het extraheren van cognitieve en taalkundige kenmerken met boomgebaseerde machine learning-algoritmen een nauwkeuriger methode biedt om de moeilijkheidsgraad van K-5 wiskunde- en leesitems te voorspellen dan directe schattingen door LLM's, waardoor de afhankelijkheid van uitgebreide veldtests kan worden verminderd.
Dit paper introduceert een vision-based reinforcement learning-agent die uitsluitend op camerabeelden en aan boord sensoren vertrouwt om in Gran Turismo 7 kampioensniveau-raceprestaties te behalen, waarmee voor het eerst supermenselijke prestaties worden geleverd zonder externe localisatie.
Deze paper introduceert een lineair responsframework dat een klein taalmodel als een Bayesiaans statistisch mechanisch systeem behandelt, waarbij susceptibiliteiten worden gebruikt om functionele modules zoals multigram- en inductiehoofden te identificeren en te attribueren.
Dit paper introduceert HetGL2R, een heterogeen grafiekleringskader dat oorsprong-bestemmingstromen en routes integreert via een tripartiete grafiek en een Transformer-architectuur om de rangschikking van kritieke wegsegmenten significant te verbeteren ten opzichte van bestaande methoden.
Dit paper biedt een uitgebreid overzicht van de evolutie van LLM-reasoning naar autonome AI-agenten door een gestandaardiseerde taxonomie van benchmarks, een analyse van frameworks, een inventarisatie van real-world toepassingen en een evaluatie van samenwerkingsprotocollen te presenteren, gevolgd door aanbevelingen voor toekomstig onderzoek.
Dit paper introduceert StablePCA, een distributioneel robuust raamwerk voor het leren van gedeelde representaties uit multi-bron data, waarbij een convex relaxatie en een efficiënt Mirror-Prox-algoritme worden ontwikkeld om de uitdagingen van de niet-convexe rangbeperking te overwinnen met gegarandeerde convergentie.
Dit paper introduceert een geïndividualiseerd offline versterkingsleerframework voor heterogene populaties, genaamd P4L, dat via een model met individuele latente variabelen en een gepenaliseerde pessimistische aanpak een snelle regret-convergentie garandeert en superieure prestaties laat zien ten opzichte van bestaande methoden.
Dit onderzoek toont aan dat kennisdistillatie, hoewel het de output van grotere modellen behoudt, leidt tot significante interne herschikkingen waarbij studentenonderdelen worden gecomprimeerd en herorganiseerd, wat gevolgen heeft voor de robuustheid en generalisatie van deze modellen.
Dit paper introduceert Ready2Unlearn, een proactieve trainingsmethode die machine learning-modellen voorbereidt op toekomstige verwijderingsverzoeken door meta-learning-principes toe te passen, waardoor het unlearning-proces later efficiënter en principieel verloopt.
Dit paper introduceert EgoDex, het grootste en meest diverse dataset tot nu toe van dexterous manipulatie met 829 uur egocentrisch video en gepaarde 3D-handtracking, verzameld met Apple Vision Pro om imitatieleer voor robotica en computerzicht te bevorderen.
FreeKV is een trainingsvrije, co-geoptimaliseerde framework dat de efficiëntie van KV-cache-retrieval voor grote taalmodellen aanzienlijk verbetert door speculatieve retrieval en hybride geheugenlayouts te combineren, waardoor een snelheidswinst tot 13x wordt bereikt met minimale nauwkeurigheidsverlies.
Deze paper introduceert twee nieuwe online algoritmen voor decision-focused learning in dynamische omgevingen, die door middel van regularisatie en perturbatietechnieken de uitdagingen van niet-convexe en niet-differentieerbare doelfuncties overwinnen en voor het eerst wiskundige prestatiegaranties bieden.