6778 papers
Dit paper introduceert PRPO, een trainingsmethode die conflicten tussen beloningssignalen en data oplost, en MCDR-Bench, een objectieve evaluatiebenchmark, om de diepe analysecapaciteiten van LVLMs voor diagrammen systematisch te verbeteren.
Deze paper introduceert een plug-and-play strategie die Monte-Carlo-steekproeven en een extra achterwaartse stap combineert om de schattingsfouten bij stochastische differentiaalvergelijkingen te verminderen, waardoor de geleide generatie van afbeeldingen en andere data in diverse toepassingen significant verbetert.
Dit artikel introduceert een nieuw, onbewaakt leerframework dat convolutiefilters en neurale netwerken gebruikt om ruisige ionenstraalbeelden te reconstrueeren en zo de resolutie van straalhalo's aanzienlijk verbetert zonder trainingsdata.
Dit artikel introduceert Soft Equivariance Regularization (SER), een plug-in regularisatiemethode die invariance en equivariantie in zelftoezichtend leren ontkoppelt door equivariantie op een tussenlaag af te dwingen, wat leidt tot verbeterde prestaties op ImageNet en robuustheid tegen geometrische verstoringen zonder extra voorspellingskoppen.
Dit paper stelt dat MLLMs die alleen RGB-gegevens verwerken fundamenteel tekortschieten in ruimtelijk inzicht door camera-parameters te negeren, en introduceert daarom een camera-bewust raamwerk dat door het integreren van camera-intrinsieke parameters en data-augmentatie zorgt voor robuustere en generaliseerbare ruimtelijke redeneerfähigheden.
Dit artikel toont aan dat het toepassen van conformalized quantile regression op deep learning-modellen voor het voorspellen van zonnevlammen uit magnetische veldkaarten leidt tot betrouwbaardere voorspellingen met nauwkeurigere betrouwbaarheidsintervallen dan andere methoden.
Dit paper introduceert ATLAS, een reinforcement finetuning-framework dat kleine taalmodellen in staat stelt om effectief te opereren in grote tool-ecosystemen door contextbeheer en uitvoering als leerbare beslissingen te behandelen, waardoor ze met beperkte middelen prestaties kunnen bereiken die dicht bij die van geavanceerde agenten liggen.
Deze studie presenteert een schaalbaar proces voor het genereren van klinisch consistente synthetische patiënttrajecten door een kennisgebaseerd generatief model te combineren met een geautomatiseerde auditmodule op basis van grote taalmodellen, wat resulteert in data die statistisch en klinisch betrouwbaar is voor downstream-toepassingen zonder privacyrisico's.
Dit paper introduceert ProtAlign, een contrastief leerframework dat een gedeelde inbeddingsruimte creëert voor eiwitsequenties en -structuren, waardoor cross-modale zoekopdrachten worden verbeterd en downstream-taken zoals functietoewijzing en stabiliteitsschatting worden versterkt.
Dit artikel introduceert een tweestroms bi-directioneel feedbackfusieframework dat menselijke activiteiten en omgevingsfactoren integreert om de voorspelling van binnenluchtkwaliteit (CO2 en PM2.5) significant te verbeteren ten opzichte van bestaande methoden.
Dit paper introduceert FutureBoosting, een hybride AI-ramenwerk dat de voorspellingsnauwkeurigheid van elektriciteitsprijzen aanzienlijk verbetert door forecasted features van een gefrozen tijdsreeks-foundation model te integreren in een regressiemodel, wat resulteert in een reductie van de gemiddelde absolute fout van meer dan 30%.
Het paper introduceert de Safe Transformer, een modulaire aanpak die een expliciete veiligheidsbit in taalmodellen integreert om zowel de interpretatie van veiligheidsbeslissingen als de controle over het gedrag van het model te verbeteren zonder volledige hertraining.
Orion is het eerste open end-to-end systeem dat de Apple Neural Engine direct aanstuurt via private API's om zowel stabiel on-device training als snelle inferentie van grote taalmodellen mogelijk te maken door CoreML te omzeilen en recompilatie-tijd tijdens training drastisch te reduceren.
Dit paper introduceert een versterkingsleerbenadering die door middel van dichtheidsinvariante observatiecodering en trainingsrandomisatie veilige navigatie in dichte menigten mogelijk maakt zonder te bevriezen of te crashen, zelfs bij onbekende, hogere dichtheden dan tijdens de training.
Dit paper introduceert PolyBlocks, een modulaire MLIR-gebaseerde compilerinfrastructuur voor AI-chips en -frameworks die via geautomatiseerde optimalisaties en analytische kostenmodellen prestaties levert die concurreren met of zelfs de beste vendor-bibliotheken en bestaande compilatoren zoals Torch Inductor en XLA overtreffen.
Dit paper introduceert Calibrated Credit Intelligence (CCI), een deploymentgericht framework dat Bayesiaanse onzekerheid, fairness-beperkte gradient boosting en shift-bewuste fusie combineert om credit risk scores te leveren die onder tijdsafhankelijke verschuivingen nauwkeurig, goed gekalibreerd en eerlijk blijven.
Deze paper introduceert Rank-Factorized Implicit Neural Bias (RIB), een methode die Super-Resolution Transformers compatibel maakt met FlashAttention door relatieve positionele bias te vervangen, waardoor de trainings- en inferentiesnelheid aanzienlijk wordt verbeterd en grotere venstergroottes mogelijk worden voor superieure prestaties.
Deze paper introduceert een efficiënt raamwerk voor heterogene decentrale diffusiemodellen dat de trainingskosten aanzienlijk verlaagt en diverse trainingsdoelen (DDPM en Flow Matching) mogelijk maakt, wat resulteert in een 16-voudige reductie in rekenkracht en een 14-voudige reductie in data ten opzichte van eerdere methoden.
Deze paper introduceert een raamwerk dat een vooraf getraind generatief model fijntuint om samples direct binnen complexe, realistische beperkte gebieden te genereren, waardoor een nieuw compromis wordt gevonden tussen het naleven van constraints en de kwaliteit van de generatie.
Deze paper introduceert StableDRL, een gestabiliseerde variant van Group Relative Policy Optimization (GRPO) die specifiek is ontworpen om reward collapse te voorkomen bij het toepassen van versterkingslering op diffusie-taalmodellen door onbetrouwbare schattingen van waarschijnlijkheidsverhoudingen aan te pakken via onvoorwaardelijke clipping en zelf-normalisatie.