6635 papers
Deze paper introduceert TGCC, een nieuwe methode voor grafcondensatie die op causaliteit gebaseerde, domein-invariante kenmerken gebruikt om effectieve en overdraagbare gecomprimeerde datasets te creëren die de prestaties in complexe cross-task en cross-domein scenario's aanzienlijk verbeteren.
FlowSymm is een nieuwe, fysisch bewuste architectuur die ontbrekende netwerkstromen reconstrueert door symmetriebehoudende acties te combineren met graph attention en Tikhonov-verfijning, waardoor het de state-of-the-art presteert op diverse real-world benchmarks zoals verkeers-, energie- en fietsnetwerken.
Mem-T introduceert een autonoom geheugenagent met een hiërarchische database en een nieuwe RL-techniek genaamd MoT-GRPO om het trainingsprobleem van schaarse beloningen bij lange-taken te overwinnen, wat leidt tot aanzienlijk betere prestaties en efficiëntie dan bestaande frameworks.
Dit paper presenteert een nieuwe Bitcoin-prijsvoorspellingsmethode die Combinatorial Fusion Analysis (CFA) toepast om diverse machine learning-modellen te combineren, wat resulteert in een aanzienlijk betere prestatie met een MAPE van 0,19% vergeleken met individuele modellen en andere bestaande voorspellingsmethoden.
Deze paper introduceert Adam-Aware In-Run Data Shapley, een nieuwe methode die de beperkingen van bestaande SGD-gebaseerde attributietechnieken voorbijgaat door een gesloten-vorm benadering en een Lineaire Ghost-benadering te gebruiken, waardoor nauwkeurige data-attributie mogelijk wordt tijdens het trainen met de Adam-optimizer zonder de doorvoersnelheid significant te verlagen.
Deze studie concludeert dat de Schwartz-hoogwaardige waardenstructuur bij het detecteren van menselijke waarden op zinneniveau vooral nuttig is als inductieve bias en dat de grootste prestatiewinsten worden behaald via kalibratie en ensemble-methoden, terwijl harde hiërarchische poortmodellen en compacte LLM's als standalone-systemen minder effectief blijken.
Het artikel introduceert LatentMem, een leerbaar raamwerk voor multi-agent systemen dat agent-specifieke, token-efficiënte latent geheugens synthetiseert via een ervaringenbank en een geheugencomponist, aangevuld met Latent Memory Policy Optimization om de prestaties aanzienlijk te verbeteren zonder bestaande frameworks aan te passen.
Dit paper introduceert T2T, een dynamisch beloningssysteem voor Large Language Models dat, geïnspireerd op menselijk leren, de zoekruimte uitbreidt bij fouten en de redenering efficiënter maakt na succes, wat leidt tot aanzienlijk betere prestaties op wiskundige benchmarks.
Dit paper onthult een nieuwe kwetsbaarheid waarbij aanvallers chattemplates van open-weight taalmodellen manipuleren om inferentie-tijd backdoors te installeren die zonder wijziging van de modelgewichten of trainingsdata specifieke schadelijke acties kunnen activeren, terwijl ze onopgemerkt blijven door bestaande beveiligingscontroles.
Dit paper introduceert de Hinge Regression Tree (HRT), een nieuwe methode voor het vinden van oblique splits in regressiebomen door het probleem te herformuleren als een niet-lineair kleinste-kwadratenprobleem dat via een gedempte Newton-methode wordt opgelost, wat leidt tot snelle convergentie, universele benaderingseigenschappen en superieure prestaties vergeleken met bestaande single-tree baselines.
Dit paper introduceert Radial Müntz-Szász Networks (RMN), een nieuw neuraal architectuurtype met leerbare machtsbases dat radiale singulariteiten zoals en efficiënter en nauwkeuriger modelleert dan bestaande methoden, terwijl het tegelijkertijd de fundamentele beperkingen van coördinaat-separabele netwerken voor dergelijke velden oplost.
Het artikel introduceert SDFed, een heterogeen federatief prompt-leerframework dat de discrepantie tussen lokale en globale modellen overbrugt door variabele lokale prompts te combineren met subspace-verfijning en divergentiecontrole, waardoor de prestaties en robuustheid in privacygevoelige omgevingen met diverse data en resources worden verbeterd.
Dit onderzoek toont aan dat hybride Retrieval-Augmented Generation-systemen kwetsbaar zijn voor 'Retrieval Pivot Attacks' waarbij vector-gebaseerde zoekopdrachten via entiteitslinks ongeautoriseerde toegang tot gevoelige gegevens mogelijk maken, en demonstreert dat het afdwingen van autorisatie op de grens van de grafexpansie deze lekken effectief elimineert.
Dit artikel introduceert een unificerend pretrainingsframework op basis van diffusie voor hersengrafen, dat semantisch betekenisvolle connectiviteitspatronen behoudt en globale structurele informatie vastlegt om robuustere representaties te leren dan bestaande methoden.
Dit onderzoek presenteert een methode om pagina's van geshufelde Nederlandse vrijheidsinformatiedocumenten opnieuw te ordenen, waarbij een gespecialiseerd model de beste resultaten boekt met een Kendall's tau van 0,72 voor 15 pagina's, ondanks dat standaard seq2seq-transformatoren en curriculum learning bij langere documenten significant falen.
Dit artikel introduceert een respons-vrij topic-modeling-framework dat de semantische structuur van psychologische schalen benut om deze met 60,5% te verkorten terwijl de psychometrische kwaliteit en factorstructuur behouden blijven.
TrasMuon verbetert Muon-gebaseerde optimalisatoren door de orthogonalisatie te behouden en tegelijkertijd de stabiliteit te waarborgen via globale RMS-calibratie en energiegebaseerde trust-region-clipping, wat resulteert in snellere convergentie en robuustheid zonder warmup-fasen.
Dit onderzoek onthult dat datalekken in benchmarksets de prestaties van op LLM's gebaseerde aanbevelingssystemen kunstmatig kunnen inflateren of verstoren, waardoor de betrouwbaarheid van evaluatiemetingen in gevaar komt.
Dit artikel introduceert de Mean Velocity Policy (MVP), een generatieve beleidsfunctie die een gemiddeld snelheidsveld modelleert met een onmiddellijke snelheidsbeperking om expressieve, deterministische actiegeneratie in één stap te bereiken, wat resulteert in state-of-the-art prestaties en aanzienlijke snelheidswinst in robuuste manipulatietaken.
Dit paper introduceert Pawsterior, een variational flow-matching framework dat de beperkingen van gestructureerde domeinen en discrete latente structuren in simulatiegebaseerde inferentie (SBI) effectief aanpakt door een twee-zijdig variational model met affiene geometrische beperkingen te gebruiken.