2167 papers
Dit paper introduceert een unificerend kader om te evalueren hoe personalisatie van machine learning-modellen zowel voorspellingen als uitleg beïnvloedt, waarbij wordt aangetoond dat deze effecten kunnen divergeren en dat de haalbaarheid van het testen van dergelijke effecten afhangt van specifieke datasetkenmerken.
Dit artikel introduceert het concept van een 'ruimtelijke signatuur' voor datasets om de robuustheid van semivalue-gebaseerde datawaardering tegen veranderingen in de nuttigheidsfunctie te analyseren en biedt een praktische methode om de stabiliteit van deze waarderingen te kwantificeren.
Deze paper presenteert een geïntegreerd framework dat likelihood-free inference gebruikt om fysische parameters van vervormbare lineaire objecten te schatten, waarmee domeinrandomisatie in simulatie wordt verbeterd voor het trainen van visuele beleidsstrategieën die zonder aanpassing direct in de echte wereld kunnen worden ingezet.
Dit paper introduceert de Feature Importance Rescaling (FIR)-methode, die de betrouwbaarheid van clustervalidatie in ruisrijke Gaussische mengsels verbetert door de bijdrage van ruisfeatures te verminderen, waardoor de correlatie met de grondwaarheid toeneemt.
Dit paper introduceert HyConEx, een innovatief diep leermodel voor tabulaire data dat gelijktijdig nauwkeurige classificaties en lokale uitleggen in de vorm van contrafactuele voorbeelden biedt, waardoor het de eerste interpreteerbare classifier is die beide functies in één neurale netwerkbouwkundige combineert.
Dit artikel onderzoekt empirisch of modelbomen met lineaire support vector machines in de bladeren, die via gemengd-gehele lineaire programmering globaal optimaal worden geconstrueerd, concurrerende nauwkeurigheid kunnen bieden met zeer kleine en interpreteerbare bomen in vergelijking met traditionele, lokaal optimale algoritmen.
Dit paper pleit vanuit een consequentiaalistisch perspectief voor het gebruik van proper scoring rules in plaats van binaire classificatiemetrics, onderbouwd met een theoretisch kader, een empirische analyse van huidige praktijken en de introductie van het Python-pakket `briertools` om deze aanpak toegankelijker te maken.
Dit artikel introduceert CDGLT, een trainings-efficiënt framework voor multimodaal metafoorherkenning dat gebruikmaakt van conceptdrift en LayerNorm-tuning om de kloof tussen letterlijke en figuurlijke interpretaties te overbruggen en state-of-the-art prestaties te behalen op de MET-Meme-benchmark.
Dit paper introduceert Stepwise Guided Policy Optimization (SGPO), een framework dat het probleem van volledig negatieve steekproefgroepen in GRPO oplost door gebruik te maken van een stapsgewijze beoordelaar voor diversiteit, waardoor het model effectief kan leren van fouten zonder dat de beoordelaar zelf correcte oplossingen hoeft te genereren.
Dit paper introduceert de Gaussian-Multinoulli Restricted Boltzmann Machine (GM-RBM), een energiegebaseerd generatief model dat de standaard GB-RBM uitbreidt met q-staats categorische (Potts) verborgen eenheden om discrete, gestructureerde representaties te leren, en toont aan dat dit model bij gelijke capaciteit concurrerende of betere resultaten bereikt op analogie- en geheugenopdrachten vergeleken met binaire latente modellen.
Dit paper introduceert JULI, een methode die zwarte-doos Large Language Models via een plug-in genaamd BiasNet en manipulatie van token-logkansen, zelfs met slechts de top-5 voorspellingen, succesvol kan omzeilen zonder toegang tot modelgewichten.
Dit artikel introduceert een nieuwe methode voor het ontdekken van symbolische differentiaalvergelijkingen uit data door het gebruik van symmetrie-invarianten als atomaire eenheden, wat ervoor zorgt dat de gevonden vergelijkingen fysische wetten eerbiedigen en de zoekruimte efficiënter wordt.
Dit paper introduceert UltraEdit, een trainings-, onderwerp- en geheugenloze methode voor het levenslang bijwerken van taalmodellen die aanzienlijk sneller en minder geheugenintensief is dan bestaande technieken, waardoor het zelfs op consumentenhardware mogelijk wordt om miljoenen bewerkingen uit te voeren zonder bestaande vaardigheden te verliezen.
Deze studie introduceert een systematische methode om on-device LLM's te evalueren en concludeert dat zwaar gekwantiseerde grotere modellen vaak beter presteren dan kleinere, hogere precisie-modellen, met een prestatiedrempel van ongeveer 3,5 bits per gewicht.
Het paper introduceert SATURN, een reinforcement learning-framework dat gebruikmaakt van Boolean Satisfiability-problemen om de redeneercapaciteit van grote taalmodellen schaalbaar, verifieerbaar en met gecontroleerde moeilijkheidsgraad te trainen via een curriculum learning-aanpak.
Het paper introduceert FrontierCO, een uitgebreid benchmark voor het evalueren van machine learning-oplossers voor combinatorische optimalisatie op realistische, industriële schaal, waarbij een aanhoudende prestatiekloof wordt aangetoond ten opzichte van klassieke methoden, hoewel er specifieke scenario's zijn waarin ML-methoden beter presteren.
Deze paper introduceert SemiCP, een semi-superviserde methode voor conformele voorspelling die ongelabelde data via een 'Nearest Neighbor Matching'-score benut om de stabiliteit en dekking van voorspellingen te verbeteren wanneer gelabelde data schaars is.
Dit artikel introduceert het 'Sticky-Sequence Track-and-Stop'-framework voor zuivere exploratieproblemen met oneindig veel mogelijke antwoorden, wat leidt tot asymptotische optimaliteit waar bestaande methoden tekortschieten.
Dit paper introduceert TSRating, een uniek raamwerk dat meta-learning en Large Language Models combineert om de kwaliteit van tijdreeksdata uit diverse domeinen nauwkeurig en efficiënt te beoordelen.
Dit paper introduceert CORA, een methode voor credit assignment in multi-agent reinforcement learning die gebruikmaakt van coöperatieve speltheorie en kernallocatie om agenten effectiever te belonen op basis van hun coalitiële bijdragen, wat leidt tot verbeterde gecoördineerde prestaties.