6878 papers
Dit artikel presenteert een nieuwe, distributie-vrije methode voor robuuste trajectoptimalisatie van niet-Gaussische stochastische systemen, die conformale inferentie en statistische contractie gebruikt om kansenbeperkingen om te zetten in waarborgbare deterministische beperkingen voor veilige bewegingsplanning.
Dit artikel introduceert diepe spatiotemporale engressiemethoden die betrouwbare probabilistische voorspellingen voor epidemieën genereren door endogene onzekerheidskwantificatie, en toont aan dat deze modellen verschillende benchmarks overtreffen op zes epidemiologische datasets.
Dit paper introduceert DualAdam, een nieuwe optimizer die het snelle convergentiegedrag van Adam combineert met het inverse updatemechanisme van InvAdam om scherpe minima te vermijden en zo de generalisatieprestaties van diepe neurale netwerken aanzienlijk te verbeteren.
Dit paper introduceert een framework voor agentic planning met redenering voor afbeeldingsstyling, dat composiete bewerkingen deconstrueert in interpreteerbare toolsequenties en via offline RL wordt geoptimaliseerd op synthetische datasets om superieure resultaten te behalen ten opzichte van directe prompt-gebaseerde methoden.
Dit artikel introduceert een eenvoudige, breed toepasbare methode die de spectrale eigenschappen van attention-lagen in transformers optimaliseert om de conditie van de Jacobiaan te verbeteren, wat leidt tot consistente prestatiewinsten op diverse taken.
Deze paper introduceert MSKernelBench, een uitgebreide benchmark voor diverse scenario's, en CUDAMaster, een multi-agent systeem dat Large Language Models gebruikt om CUDA-kernels te optimaliseren en hiermee aanzienlijke snelheidswinst behaalt die vaak de prestaties van gespecialiseerde bibliotheken zoals cuBLAS benadert of overtreft.
Dit paper introduceert SPCP, een methode die de robuustheid van out-of-distribution detectie verbetert door tijdens het trainen de afhankelijkheid van een paar dominante parameters te verminderen en in plaats daarvan een bredere, dichte bijdragepatroon te stimuleren, waardoor oververzekerde voorspellingen voor afwijkende data worden voorkomen zonder de prestaties op bekende data te schaden.
Deze paper introduceert een dual-graph spatiotemporeel GNN-surrogaatmodel dat de niet-lineaire respons van gewapend betonnen balken onder vierpuntbending efficiënt voorspelt door kinematische en geschiedenisafhankelijke variabelen via gescheiden grafische takken te koppelen, waardoor kostbare eindige-elementensimulaties voor parametrisch ontwerp kunnen worden vervangen.
Deze paper introduceert wDPO, een robuuste variant van Direct Preference Optimization die door middel van hiërarchische winsorisatie en gerichte interventies op data- en gradiëntniveau effectief omgaat met verschillende soorten ruis in voorkeursdata voor betere LLM-uitlijning.
Deze studie presenteert een geautomatiseerd systeem voor het segmenteren en classificeren van darmgeluiden met behulp van een draagbare sensor en een AI-model, wat leidt tot objectieve diagnostiek en een aanzienlijke reductie van de tijd voor handmatige annotatie.
Dit artikel toont aan dat margin-based learning in willekeurige metrische ruimten mogelijk is zonder lineaire structuur, zolang de marge voldoende groot is, en ontkracht het idee dat dergelijke leerbaarheid altijd via een inbedding in een Banachruimte kan worden gereduceerd tot lineaire classificatie.
Dit artikel introduceert ODA-Fin, een data-gedreven aanpak voor financiële taalmodellen die door middel van hoogwaardige distillatie en difficulty-aware training prestaties verbetert en nieuwe state-of-the-art benchmarks bereikt op diverse financiële taken.
Het paper introduceert LightMedSeg, een lichtgewicht 3D-medische beeldsegmentatiearchitectuur die anatomische prioren en adaptieve contextmodelling combineert om met slechts 0,48 miljoen parameters een nauwkeurigheid te bereiken die vergelijkbaar is met zware transformer-modellen, terwijl het tegelijkertijd de rekenkosten en geheugeneisen drastisch verlaagt.
Dit artikel introduceert een geavanceerde methode voor conditionele rang-rang-regressie met diepe conditionele transformatiemodellen om intergenerationele mobiliteit nauwkeuriger te meten door covariaten te controleren, wat leidt tot betere prestaties bij niet-lineariteit en discrete uitkomsten en wordt toegepast op inkomensmobiliteit in de VS en onderwijsmobiliteit in India.
Dit artikel introduceert PT-RAG, een nieuw twee-traps framework dat differentieerbare, celtype-bewuste retrieval-augmented generation toepast om de respons van cellen op gen-perturbaties nauwkeuriger te voorspellen dan bestaande methoden.
Het paper introduceert WeDas, een plug-and-play framework dat de prestaties van diepe zoekagenten verbetert door de zoekruimte-structuur van het web te integreren en een few-shot probeermethode te gebruiken om zoekopdrachten dynamisch af te stemmen op de lokale inhoudsverdeling.
Deze studie introduceert het LF2L-framework, een methode voor horizontale federated learning die door het fusioneren van verliezen effectief externe SEER-gegevens combineert met lokale Taiwanese data om de voorspelling van tweede primaire longkanker te verbeteren zonder privacy te schenden.
Dit artikel introduceert twee symbolische machine learning-methoden, SyNF en SyTF, die interpreteerbare algebraïsche vergelijkingen leren uit chaotische tijdreeksen om zowel nauwkeurige voorspellingen te maken als inzicht te geven in de onderliggende dynamica.
Deze paper stelt een adaptief raamwerk voor dat individuele no-show-prognoses combineert met multi-objectief versterkend leren om dynamische beslissingen te nemen over het enkel- of dubbelboeken van afspraken in poliklinieken, waardoor wachttijden en congestie worden geminimaliseerd.
Dit paper introduceert Variational Flow Maps, een raamwerk dat voorwaardelijke generatie en inverse problemen oplost door in plaats van een iteratief pad te volgen, een 'noise adapter' te leren die de juiste initiële ruis genereert voor hoogwaardige, één-staps steekproeven.