6191 papers
Dit artikel introduceert een snelle, op deep learning gebaseerde methode die spike-tijden gebruikt om via Dynamic Input Conductances (DICs) diverse, degeneratieve populaties van conductantie-gebaseerde neuronmodellen te reconstrueren, waardoor de link tussen experimentele waarnemingen en mechanistische modellen wordt versterkt.
Dit paper introduceert MICA, een privacy-bewust, spraakgebaseerd multi-agent systeem dat adaptieve en veilige real-time ondersteuning biedt voor industriële workflows en dat door middel van Adaptive Step Fusion en nieuwe benchmarks de betrouwbaarheid en responsiviteit in dynamische fabrieksomgevingen significant verbetert.
Dit paper introduceert het ORIC-framework om de prestaties van grote visueel-taalmodellen te evalueren en te verbeteren bij het herkennen van objecten in incongruente contexten, waarbij wordt aangetoond dat dergelijke situaties de herkenning bemoeilijken en dat visuele versterkingsfine-tuning de betrouwbaarheid kan vergroten.
Dit artikel introduceert ORN-CBF, een leermethode die hypernetwerken en Hamilton-Jacobi-bereikbaarheidsanalyse combineert om observation-geconditioneerde neurale veiligheidsfuncties te ontwikkelen die in deelt waarneembare omgevingen robuustere en generaliserende veiligheidsgaranties bieden dan bestaande methoden.
Dit artikel introduceert de eerste volledig empirische PAC-Bayes-benadering voor Markov-ketens, die de afhankelijkheid van onbekende mengingsparameters overbrugt door een schatting van de pseudo-spectrale kloof mogelijk te maken.
Deze studie toont aan dat lineaire probes voor het detecteren van schadelijk gedrag in taalmodellen sterk afhankelijk zijn van tekstuele aanwijzingen en aanzienlijk minder effectief worden zodra deze expliciete teksten worden gefilterd of afwezig zijn.
Dit paper introduceert AEGIS, een framework voor linkpredictie in schaarse bipartiete kennisgrafieken dat authentieke randen versterkt door bestaande randen te hersamplen of semantische KNN-augmentatie toe te passen, waardoor de prestaties worden verbeterd zonder valse eindpunten te genereren.
Aurora is een multimodaal foundation model voor tijdsreeksvoorspelling dat, door gebruik te maken van tekst- en beeldinformatie en zero-shot inferentie, superieure prestaties levert in diverse domeinen via een prototype-geleide flow matching-methode.
Dit paper introduceert GDR-learners, een flexibel framework dat bestaande diepe generatieve modellen (zoals normalizing flows, GANs, VAEs en diffusion modellen) combineert met Neyman-orthogonaliteit om conditionele verdelingen van potentiële uitkomsten te schatten met dubbele robustheid en quasi-orakel-efficiëntie.
In dit paper wordt CLAD-Net voorgesteld, een framework dat zelftoezichtende transformers en kennisdistillatie combineert om continue menselijke activiteitsherkenning op draagbare sensoren mogelijk te maken zonder dat er sprake is van catastrofisch vergeten, zelfs bij beperkte gelabelde data.
Het artikel introduceert GEMS, een schaalbaar, surrogaatvrij multi-agent versterkingsleringsframework dat de inefficiënties van PSRO overwint door expliciete populaties te vervangen door een compacte generator, waardoor het aanzienlijk sneller en minder geheugenintensief is terwijl het hogere beloningen behaalt.
Dit paper introduceert FS-KAN, een principieel kader voor permutatie-equivariante Kolmogorov-Arnold-netwerken dat door het delen van functies een uniforme aanpak biedt voor willekeurige permutatiesymmetriegroepen, wat leidt tot superieure data-efficiëntie en interpretbaarheid vergeleken met bestaande methoden.
Dit artikel introduceert Overlap-Adaptieve Regularisatie (OAR), een flexibele methode die bestaande meta-learners voor het schatten van conditionele gemiddelde behandelingseffecten verbetert in situaties met lage overlap door de regularisatie adaptief te koppelen aan overlap-gewichten.
Dit paper introduceert een nieuwe, diversiteitsgerichte methode voor actief correlatieclustering die specifiek is ontworpen om het uitdaging van de 'cold-start' situatie aan te pakken, waarbij geen vooraf bekende gelijkenissen beschikbaar zijn.
Dit paper introduceert een gestructureerde feedbackregelaar die hysteresis en proportionele regeling combineert om de bestedingspacing voor kleine advertentiebudgetten in online veilingen aanzienlijk te verbeteren, wat resulteert in een lagere bestedingsfout en een stabielere leveringsconsistentie.
Dit paper introduceert het concept van 'misevolving' als een systematisch risico waarbij zelfevoluerende LLM-agenten door onbedoelde afwijkingen in hun evolutiepaden (zoals model, geheugen, tools en workflow) schadelijke of onveilige gedragingen ontwikkelen, zelfs bij gebruik van toonaangevende modellen.
Dit paper introduceert de DRQ-learner, een nieuw meta-leraar voor het schatten van individuele potentiële uitkomsten in Markov-beslissingsprocessen met observationele data, die dubbel robuust, Neyman-orthogonaal en quasi-orakel-efficiënt is en hiermee de prestaties van bestaande methoden verbetert.
Deze paper presenteert een nieuw schema voor differentieel privé schatten van zwarte-bok statistieken dat een afweging biedt tussen statistische en orakel-efficiëntie, vergezeld van ondergrenzen die de near-optimale aard van het schema aantonen.
Dit paper introduceert SelfOrg, een zelforganiserend framework voor multi-agent systemen dat dynamische communicatiestructuren genereert op basis van respons-afhankelijke Shapley-waarden om samenwerking te optimaliseren zonder extra supervisie of training.
Deze paper introduceert CroSTAta, een transformer-architectuur met een nieuwe State Transition Attention-mechanisme die door het modelleren van tijdsafhankelijke overgangspatronen en het gebruik van temporale masking de robuustheid van robotmanipulatiepoliën aanzienlijk verbetert, zelfs bij uitvoeringsvariaties die niet tijdens het trainen zijn gezien.