cs.LG papers | Gist.Science

Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet

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.

Farjana Aktar, Mohd Ruhul Ameen, Akif Islam, Md Ekramul Hamid2026-03-10🤖 cs.LG

Towards Efficient Federated Learning of Networked Mixture-of-Experts for Mobile Edge Computing

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.

Song Gao, Songyang Zhang, Shusen Jing, Shuai Zhang, Xiangwei Zhou, Yue Wang, Zhipeng Cai2026-03-10🤖 cs.LG

FATE: A Formal Benchmark Series for Frontier Algebra of Multiple Difficulty Levels

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.

Jiedong Jiang, Wanyi He, Yuefeng Wang, Guoxiong Gao, Yongle Hu, Jingting Wang, Nailin Guan, Peihao Wu, Chunbo Dai, Liang Xiao, Bin Dong2026-03-10🤖 cs.LG

Jr. AI Scientist and Its Risk Report: Autonomous Scientific Exploration from a Baseline Paper

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.

Atsuyuki Miyai, Mashiro Toyooka, Takashi Otonari, Zaiying Zhao, Kiyoharu Aizawa2026-03-10🤖 cs.LG

Distributionally Robust Self Paced Curriculum Reinforcement Learning

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.

Anirudh Satheesh, Keenan Powell, Vaneet Aggarwal2026-03-10🤖 cs.LG

Adaptive Multi-view Graph Contrastive Learning via Fractional-order Neural Diffusion Networks

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.

Yanan Zhao, Feng Ji, Jingyang Dai, Jiaze Ma, Keyue Jiang, Kai Zhao, Wee Peng Tay2026-03-10🤖 cs.LG

Improving Conditional VAE with Non-Volume Preserving transformations

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.

Tuhin Subhra De2026-03-10🤖 cs.LG

Tight Robustness Certification Through the Convex Hull of $\ell_0$ Attacks

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 $\ell_0$ -bal te benaderen via een asymmetrisch geschaalde $\ell_1$ -achtige polytoop en een daarop gebaseerde lineaire bound propagatie.

Yuval Shapira, Dana Drachsler-Cohen2026-03-10🤖 cs.LG

Angular Gradient Sign Method: Uncovering Vulnerabilities in Hyperbolic Networks

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.

Minsoo Jo, Dongyoon Yang, Taesup Kim2026-03-10🤖 cs.LG

Towards Realistic Guarantees: A Probabilistic Certificate for SmoothLLM

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.

Adarsh Kumarappan, Ayushi Mehrotra2026-03-10🤖 cs.LG

Automating Deception: Scalable Multi-Turn LLM Jailbreaks

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.

Adarsh Kumarappan, Ananya Mujoo2026-03-10🤖 cs.LG

Shortcut Invariance: Targeted Jacobian Regularization in Disentangled Latent Space

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.

Shivam Pal, Sakshi Varshney, Piyush Rai2026-03-10🤖 cs.LG

Crowdsourcing the Frontier: Advancing Hybrid Physics-ML Climate Simulation via a $50,000 Kaggle Competition

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.

Jerry Lin, Zeyuan Hu, Tom Beucler, Katherine Frields, Hannah Christensen, Walter Hannah, Helge Heuer, Peter Ukkonnen, Laura A. Mansfield, Tian Zheng, Liran Peng, Ritwik Gupta, Pierre Gentine, Yusef Al-Naher, Mingjiang Duan, Kyo Hattori, Weiliang Ji, Chunhan Li, Kippei Matsuda, Naoki Murakami, Shlomo Ron, Marec Serlin, Hongjian Song, Yuma Tanabe, Daisuke Yamamoto, Jianyao Zhou, Mike Pritchard2026-03-10🤖 cs.LG

CRAwDAD: Causal Reasoning Augmentation with Dual-Agent Debate

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.

Finn G. Vamosi, Nils D. Forkert2026-03-10🤖 cs.LG

ForamDeepSlice: A High-Accuracy Deep Learning Framework for Foraminifera Species Classification from 2D Micro-CT Slices

Dit artikel introduceert ForamDeepSlice, een hoog-accuraat deep learning-framework dat een ensemble van CNN-architecturen gebruikt om foraminiferasoorten te classificeren op basis van 2D micro-CT-slices, waarbij een testnauwkeurigheid van 95,64% wordt bereikt en een interactief dashboard voor praktische toepassing wordt ontwikkeld.

Abdelghafour Halimi, Ali Alibrahim, Didier Barradas-Bautista, Ronell Sicat, Abdulkader M. Afifi2026-03-10🤖 cs.LG

AltNet: Addressing the Plasticity-Stability Dilemma in Reinforcement Learning

Het paper introduceert AltNet, een methode die het plasticiteit-stabiliteitsdilemma in versterkingslering oplost door gebruik te maken van een paar tweelingnetwerken die om de beurt actief zijn, waardoor plasticiteit wordt hersteld zonder prestatieverlies tijdens resets.

Mansi Maheshwari, John C. Raisbeck, Bruno Castro da Silva2026-03-10🤖 cs.LG

MSPT: Efficient Large-Scale Physical Modeling via Parallelized Multi-Scale Attention

Deze paper introduceert MSPT, een efficiënt transformer-architectuur die ball trees en multi-schaal aandacht combineert om industriële fysische simulaties met miljoenen punten op één GPU te modelleren met state-of-the-art nauwkeurigheid en een aanzienlijk lager reken- en geheugengebruik.

Pedro M. P. Curvo, Jan-Willem van de Meent, Maksim Zhdanov2026-03-10🤖 cs.LG

Dual Randomized Smoothing: Beyond Global Noise Variance

Deze paper introduceert "Dual Randomized Smoothing", een raamwerk dat de beperking van een vaste globale ruisvariatie doorbreekt door per invoer een geoptimaliseerde variatie te voorspellen, waardoor zowel bij kleine als grote stralen aanzienlijk betere gecertificeerde robuustheid wordt bereikt dan met eerdere methoden.

Chenhao Sun, Yuhao Mao, Martin Vechev2026-03-10🤖 cs.LG

Dual-Robust Cross-Domain Offline Reinforcement Learning Against Dynamics Shifts

Dit paper introduceert DROCO, een nieuw algoritme voor cross-domein offline versterkend leren dat zowel train- als testtijd-robuustheid tegen dynamische verschuivingen garandeert door middel van een nieuwe Robuuste Cross-Domein Bellman-operator en aanvullende technieken voor waardecorrectie.

Zhongjian Qiao, Rui Yang, Jiafei Lyu, Xiu Li, Zhongxiang Dai, Zhuoran Yang, Siyang Gao, Shuang Qiu2026-03-10🤖 cs.LG

Evolving Diffusion and Flow Matching Policies for Online Reinforcement Learning

Dit paper introduceert GoRL, een framework dat de stabiliteit en expressiviteit van online versterkend leren verbetert door optimalisatie te ontkoppelen van generatie via een tractabele latente ruimte en een conditionele generatieve decoder, wat leidt tot superieure prestaties op complexe controle-taken.

Chubin Zhang, Zhenglin Wan, Feng Chen, Fuchao Yang, Lang Feng, Yaxin Zhou, Xingrui Yu, Yang You, Ivor Tsang, Bo An2026-03-10🤖 cs.LG

← Vorige Volgende →

cs.LG