6420 papers
Deze paper introduceert een framework met Permutation Relative Policy Optimization (PRPO) dat de numerieke redeneervermogens van taalmodellen activeert voor tabulair voorspellen door kolompermutatie-invariantie als structurele prior te gebruiken, waardoor zelfs kleinere modellen (8B) superieure prestaties behalen ten opzichte van veel grotere modellen, vooral in zero-shot scenario's.
Dit artikel introduceert RobLight, een tool die de structurele robuustheid van Graph Neural Networks verbetert door krachtige solvers te vervangen door efficiënte, polynomiale partiële solvers voor het oplossen van satisfiability-problemen.
Dit paper introduceert een formeel, unifyend raamwerk voor zero-shot versterkend leren dat een taxonomie biedt om verschillende methoden te classificeren en een uniforme analyse van foutgrenzen mogelijk maakt voor grondigere vergelijkingen.
SwiftTS is een efficiënt raamwerk dat gebruikmaakt van multi-task meta-learning en een lichtgewicht dual-encoder architectuur om de meest geschikte tijdreeks-pre-trained modellen te selecteren zonder kostbare individuele fine-tuning, waardoor de prestaties op onbekende datasets en horizonten aanzienlijk worden verbeterd.
Deze paper introduceert 'Mercer-priors', een nieuwe klasse van priors voor Bayesiaanse neurale netwerken die, via de Mercer-representatie van covariantiekernen, interpreteerbare priors mogelijk maken die samples genereren die een gespecificeerd Gaussisch proces benaderen en zo de schaalbaarheid van neurale netwerken combineren met de interpretatie van GPs.
Dit paper introduceert PESO, een nieuwe aanpak voor continue adaptatie in LLM-gebaseerde aanbevelingssystemen die via een proximale regularisator de balans vindt tussen het aanpassen aan recente gebruikersvoorkeuren en het behouden van relevante kennis, waardoor het de beperkingen van bestaande LoRA-methoden overtreft.
Deze studie vergelijkt een interpreteerbare ANFIS-FBCSP-PSO-methode met het diep-learningmodel EEGNet voor motorische imaginatie-EEG-classificatie en concludeert dat de fuzzy-neurale aanpak beter presteert bij binnen-subjecttests, terwijl EEGNet superieure generalisatie biedt bij cross-subjecttests, waardoor de keuze afhankelijk is van het ontwerpdoel: interpreteerbaarheid of robuustheid.
Dit paper introduceert het Networked Mixture-of-Experts (NMoE)-systeem, een federatief leerframework voor mobiele randcomputing dat samenwerking tussen apparaten en een mix van supervisie en zelftoezicht combineert om grote AI-modellen efficiënt te trainen en uit te voeren binnen de beperkte middelen van randapparaten.
Dit paper introduceert FATE, een nieuwe reeks formele algebra-benchmarks met problemen die variëren van undergraduate-oefeningen tot PhD-niveau, om de aanzienlijke kloof tussen de huidige prestaties van grote taalmodellen in wiskundig redeneren en het niveau van modern wetenschappelijk onderzoek in kaart te brengen.
Dit paper introduceert Jr. AI Scientist, een autonoom systeem dat als beginnend onderzoeker werkt om nieuwe wetenschappelijke hypotheses te formuleren en te valideren op basis van bestaande papers, en analyseert zowel de prestaties als de risico's en beperkingen van dergelijke systemen voor de toekomst van de academische gemeenschap.
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.