5958 papers
Dit artikel onderzoekt het potentieel van generatieve diffusiemodellen (GDM) voor massieve MIMO-communicatiesystemen, met name door een overzicht te geven van de technologie, recente vooruitgang en een case study voor kanaalschatting, terwijl het ook toekomstige uitdagingen en onderzoeksdirections identificeert.
Dit onderzoek onderzoekt de invloed van inbeddings-priors op prompt-tuning en onthult dat modellen effectief kunnen werken met inbeddings in nieuwe gebieden van de activeringsruimte, terwijl het een duidelijke clustering van activeringen voor verre taken versus vergelijkbare NLP-taken laat zien.
Deze paper introduceert een methode die voorgeprende vision-language modellen gebruikt om symbolische wereldmodellen te leren uit korte demonstraties, waardoor robots in staat zijn om via planning complexe, lange-horizon taken in nieuwe omgevingen en met nieuwe doelen op te lossen.
Dit paper introduceert UFGraphFR, een privacybehoudend federatief aanbevelingssysteem dat semantische tekstkenmerken gebruikt om globale gebruikersrelatiegrafen veilig te reconstrueren en zo de aanbevelingsnauwkeurigheid en personalisatie significant verbetert.
Deze paper introduceert efficiënte data-reductiestrategieën voor semi-supervised adversarial training door middel van latent clustering, waardoor de benodigde hoeveelheid ongelabelde data en rekentijd aanzienlijk worden verminderd zonder in te leveren op de modelrobustheid.
Dit artikel analyseert de generalisatieprestaties van deep learning-classificatiemodellen met ruis in de labels door theoretische foutgrenzen voor de excess risk af te leiden, waarbij statistische afhankelijkheden en de impact van hoge dimensies worden aangepakt via onafhankelijke blokken en het lage-dimensionale manifold-hypothese.
Dit artikel introduceert Generative Predictive Control (GPC), een leerframework dat een generatieve diffusiebeleid combineert met een voorspellend wereldmodel om online planning te verbeteren, wat resulteert in superieure prestaties ten opzichte van gedragskloning bij diverse robotmanipulatietaken in zowel simulatie als de echte wereld.
Dit artikel analyseert theoretisch en experimenteel hoe twee algemene gecodeerde berekeningsschema's (BACC en LeTCC) in een probabilistisch trage-serverregime toch een convergentie van de benaderingsfout naar nul bereiken, ondanks dat het gemiddelde aantal trage servers evenredig is met de totale servergrootte.
Dit paper introduceert GRADIEND, een nieuwe encoder-decoder-methode die modelgradiënten gebruikt om bias-gerelateerde neurale kenmerken te identificeren en modellen effectief te debiasen zonder hun andere vaardigheden te verliezen.
Deze studie analyseert de beveiliging en kwaliteit van door LLM's gegenereerde code in meerdere programmeertalen en concludeert dat hoewel AI-codegeneratie mogelijk is, de effectiviteit varieert en vaak tekortschiet in het toepassen van moderne beveiligingsfuncties en best practices.
Deze paper introduceert een efficiënt lokaal zoekalgoritme voor het ontdekken van gepolariseerde gemeenschappen in getekende netwerken, dat een nieuw optimalisatiedoelwit combineert met een lineaire convergentie om zowel onbalans in gemeenschapsgrootte als de aanwezigheid van neutrale knopen effectief aan te pakken.
Het paper introduceert CLEF, een model dat longitudinale biologische en klinische trajecten nauwkeurig kan bewerken door interventies op specifieke tijdstippen en variabelen te richten, waardoor het aanzienlijk beter presteert dan bestaande methoden bij het genereren van realistische tegenwereldscenario's.
Dit paper toont aan dat het gebruik van Low-Rank Adaptation (LoRA) in federatief leren voor grote taalmodellen de onbedoelde memorisatie van trainingsdata tot wel tien keer vermindert zonder significante prestatieverliezen, zelfs in risicovolle domeinen zoals geneeskunde, recht en financiën.
Dit paper introduceert A3RL, een nieuwe methode die online en offline versterkingsleer combineert via een vertrouwensbewuste actieve voorkeurst-strategie om de sample-efficiëntie te maximaliseren en vergeten te voorkomen, wat resulteert in superieure prestaties vergeleken met bestaande technieken.
Dit paper introduceert het Texts as Time Series (TaTS)-framework, dat gepaarde teksten als tijdsreeksen behandelt om bestaande numerieke modellen te verbeteren voor multimodale voorspelling en imputatie zonder de architectuur aan te passen.
Het artikel introduceert LaVCa, een data-gedreven methode die grote taalmodellen gebruikt om gedetailleerde natuurlijke taalbeschrijvingen te genereren voor de selectiviteit van neurale populaties in de visuele cortex, waarmee de beperkingen van bestaande diepe-neurale-netwerkmodellen worden overwonnen en fijnmazigere inzichten in menselijke visuele representaties worden verkregen.
Dit paper introduceert het Clustering-On-Difficulty (COD)-framework, dat taken clusteren op basis van hun schaalingsmoeilijkheid om een nauwkeurige voorspelling van de downstream-prestaties van grote taalmodellen mogelijk te maken, zelfs bij het optreden van emergente fenomenen.
Dit onderzoek presenteert een hoogpresterend algoritme dat T1-, T2-, T1ce- en FLAIR-MRI-beelden fuseert via UNET-segmentatie en ResNet50-classificatie om gliomen met een nauwkeurigheid van 99,25% te onderscheiden in subklassen zoals necrotische kern, oedeem en versterkende tumor.
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.