6866 papers
Deze paper introduceert een nieuw raamwerk voor gezamenlijke 3D-zwaartekracht- en magnetische inversie dat rectified flow op de Noddyverse-dataset combineert met een Ginzburg-Landau-regularisator om de niet-uniekheid van het probleem op te lossen en een volledige verdeling van mogelijke ondergrondse oplossingen te modelleren.
Deze paper presenteert een epoch-gebaseerd algoritme dat de exacte minimax-regret voor contextuele bilaterale handel onder zwaarstaartige waarderingen met onbeperkte variantie karakteriseert, waarbij de prestaties interpoleren tussen de klassieke niet-parametrische snelheid en een triviale lineaire snelheid afhankelijk van het beschikbare moment.
Dit paper introduceert Contextual Counterfactual Credit Assignment (C3), een methode die de causaliteit van individuele berichten in multi-agent LLM-samenwerking isoleert door context-gebaseerde contrafactuele evaluatie, waardoor nauwkeurigere credit-toewijzing en betere prestaties worden bereikt dan bij bestaande baselines.
Dit paper introduceert IGLU, een nieuwe parametrische activeringsfunctie die voortkomt uit een schaalmengsel van GELU-poorten met een Cauchy-gebaseerde poort, en die door zijn zware staart en efficiënte benadering (IGLU-Approx) superieure of vergelijkbare prestaties levert ten opzichte van bestaande functies zoals ReLU en GELU, met name op onbalans datasets.
Het paper introduceert SymLang, een open-source framework dat door het combineren van symmetrie-gedwongen grammatica's, taalmodel-gestuurde programmasynthese en Bayesiaanse modelselectie, nauwkeurige en interpreteerbare wetenschappelijke vergelijkingen kan ontdekken uit ruwe, ruizige en gedeeltelijke observaties.
Deze paper introduceert 'stochastische attention', een trainingsvrije methode die de bestaande attention-mechanismen uitbreidt tot een temperatuur-gestuurde steekproefverdeling via Langevin-dynamica, waardoor zowel exacte retrieval als diverse generatie mogelijk is zonder extra leerprocessen.
Deze studie introduceert een door fysica geïnspireerd AI-surrogaatmodel dat de simulatiesnelheid voor de retentieanalyse van ferro-elektrische verticale NAND-geheugens met meer dan 10.000 keer versnelt ten opzichte van traditionele TCAD-tools, terwijl de fysieke nauwkeurigheid behouden blijft.
Dit paper introduceert het Single-Pass Possibilistic Clustering (SPC)-algoritme, een efficiënte methode voor het clusteren van datastromen die niet-sferische clusters kan modelleren en gebruikmaakt van gedempte vensters en covariance union voor betrouwbare updates en het samenvoegen van clusterstatistieken.
Dit paper introduceert een nieuwe data-augmentatiemethode die Large Language Models stimuleert om CAD-programma's te genereren op basis van referentieoppervlakken en modelleringprocedures, waardoor de geometrische diversiteit en de overeenkomst met industriële ontwerpen aanzienlijk worden verbeterd.
Dit onderzoek toont aan dat het afdwingen van eerlijkheid in machine learning-systemen de uitkomsten voor benadeelde groepen kan verbeteren wanneer gevoelige kenmerken bekend zijn, maar in situaties waar deze onbekend zijn kan leiden tot "leveling down" waarbij beide groepen slechter af zijn, afhankelijk van de onderliggende verdeling van de data.
XGenBoost introduceert twee op XGBoost gebaseerde generatieve modellen voor het synthetiseren van tabulaire data van verschillende groottes, die door het benutten van de inherente eigenschappen van boom-ensemble-methoden betere resultaten leveren dan bestaande modellen met een lagere trainingskosten.
Dit paper introduceert DySECT, een dynamisch systeem dat een gesloten lus vormt waarbij een LLM gestructureerde informatie extrahert om een kennisbank op te bouwen die op zijn beurt weer wordt gebruikt om de extractiecapaciteiten van de LLM continu te verbeteren.
Dit paper introduceert CN-CBF, een effectieve methode die compositie en residuale neurale netwerken combineert met Hamilton-Jacobi-reachability om veilige robotnavigatie in dynamische omgevingen te garanderen met een tot 18% hogere succesratio dan bestaande methoden.
Het artikel introduceert NerVE, een unificerend spectrale raamwerk dat de dynamiek van eigenspectra in feed-forward netwerken van grote taalmodellen analyseert om te begrijpen hoe niet-lineariteiten en optimizerkeuzes de informatiestroom en generalisatie beïnvloeden.
Dit paper introduceert Swimba, een Switch Mamba-architectuur die expert-specialisatie in state space modellen mogelijk maakt via parameter-ruimte mixtures of experts om de rekencapaciteit te vergroten zonder de dominante recurrente kosten te verhogen.
Deze studie introduceert een fysiek consistente neurale netwerkbenadering voor het modelleren van Cosserat-elasticiteit in microgestructureerde media, waarbij de oplossingen worden gevalideerd aan de hand van afgeleide stabiliteitsvoorwaarden zoals quasiconvexiteit en de Legendre-Hadamard-ongelijkheden.
Dit paper introduceert 'Joint MDPs' (JMDPs) als een formalisme voor omgevingen met gekoppelde dynamica, waarbij een multi-action sample-overgangsmodel de gezamenlijke verdeling van tegenwerkelijke uitkomsten definieert en zo dynamic programming-algoritmen met convergentiegaranties mogelijk maakt voor hogere orde momenten van de return.
Deze studie toont aan dat DNA-embeddings van foundationmodellen kwetsbaar zijn voor modelinversie-aanvallen, waarbij gevoelige oorspronkelijke sequenties met succes kunnen worden gereconstrueerd, wat de urgentie benadrukt van privacybewust ontwerp voor Embeddings-as-a-Service-diensten.
Dit artikel toont aan dat grafveredeling als lichtgewicht voorverwerkingstap de prestaties van Graph Neural Networks op schaalbare grafen aanzienlijk kan versnellen, vaak met behoud of zelfs verbetering van de nauwkeurigheid.
Dit artikel toont aan dat post-training met policy gradients en outcome rewards een theoretisch optimale benadering biedt binnen het ondersteuningsgebied van het basismodel, maar dat het gebruik van process rewards noodzakelijk is om de exponentiële complexiteit te overwinnen en buiten dit gebied te generaliseren.