6973 papers
Dit artikel introduceert een analyse-gedreven framework voor de procedurale generatie van een openbaar dataset met 19 uur aan motorgeluiden en nauwkeurige RPM- en koppelannotaties, die de industriële behoefte aan schaalbare, schone trainingsdata voor data-gedreven akoestische modellering en synthese adresseert.
Dit paper introduceert StructAttack, een black-box jailbreak-methode die kwetsbaarheden in Large Vision-Language Models exploiteert door schadelijke inhoud te verbergen in ogenschijnlijk onschadelijke visuele structuren die het model zelf tot een gevaarlijke output assembleert.
Dit paper introduceert DSS-GRPO, een difficulty-geschaalde segment-gebaseerde versterkingsleermethode die Chain-of-Thought-redenering effectief comprimeert zonder de kwaliteit van het eindantwoord te beïnvloeden door de leerprocessen voor 'denken' en 'antwoorden' strikt te scheiden.
Dit paper introduceert MetaSort, een nieuw algoritme dat neurale spike-wavevormen zowel efficiënt comprimeert via een adaptief niveau-kruising-algoritme als nauwkeurig classificeert door gebruik te maken van meta-transfer learning voor few-shot learning.
Het artikel introduceert TT-Sparse, een interpreteerbaar machine learning-model dat differentieerbare waarheidstabellen en een nieuwe soft TopK-operator gebruikt om compacte, exact afleidbare Booleaanse regels te leren die op 28 datasets superieure prestaties leveren met lagere complexiteit dan bestaande methoden.
Dit paper introduceert MAS-H2, een hiërarchisch multi-agent systeem dat de strategische kloof in cloud-native autoscaling overbrugt door bedrijfsbeleidsdoelen om te zetten in proactieve, gecoördineerde schaalplannen, wat resulteert in aanzienlijk lagere CPU-belasting en kostenefficiëntere, onderbrekingsvrije migraties vergeleken met traditionele Kubernetes-oplossingen.
Dit artikel introduceert een nieuw raamwerk voor visuele representatie waarbij video's worden gecodeerd als functies met lage-rang aanpassingen op een bevroren generatief model, waardoor compressie met uiterst lage bitrates mogelijk is en een brug wordt geslagen tussen beeldcompressie en generatie.
Dit artikel introduceert SMAT, een gestructureerd trainingskader voor co-adaptieve exoskeletbesturing dat via een vierstapscurriculum een robuust en subjectonafhankelijk hulpmiddel levert dat de heupspieractivatie met gemiddeld 10,1% verlaagt en consistente positieve mechanische kracht genereert zonder specifieke aanpassing per gebruiker.
Dit paper introduceert een nieuwe siliciumfotonische versneller die de energie-efficiëntie en doorvoersnelheid van diffusiemodellen voor generatieve AI aanzienlijk verbetert ten opzichte van bestaande elektronische platforms.
Dit artikel introduceert een versterkingsleerframework voor exoskeletbesturing dat biologische gewrichtsmomenten reduceert en presenteert een kwantitatieve validatiepiplijn die sterke overeenkomst toont tussen in simulatie getrainde besturingsnetwerken en biologische data, hoewel uitdagingen bij hogere snelheden en steilere hellingen blijven bestaan.
Het paper introduceert HELIX, een hiërarchisch evolutionair reinforcement learning-framework dat in-context ervaringen combineert met beleidsverfijning om open-ended wetenschappelijke problemen effectiever op te lossen dan bestaande methoden, zoals aangetoond door state-of-the-art resultaten op de cirkelpakkingstaak en verbeterde prestaties op machine learning-benchmarks.
Dit artikel introduceert een synthetische data-pipeline op basis van een digitale tweeling van de luchthaven van Algiers die, in combinatie met YOLO-OBB en gemengde training, de annotatie-inspanning voor het detecteren van bagagewagentjes met 25 tot 35 procent verlaagt terwijl de prestaties gelijk blijven aan of beter zijn dan die van modellen getraind op volledige real-world datasets.
Dit paper introduceert FedCEF, een nieuw federatief leeralgoritme dat via een ontkoppeld proximaal update-schema en een geavanceerd foutfeedbackmechanisme efficiënte communicatie en robuuste convergentie garandeert voor niet-convexe composietoptimalisatie op heterogene data, zelfs onder extreme compressie.
Dit kritisch overzicht vergelijkt klassieke numerieke methoden en machine learning-benaderingen voor het oplossen van partiële differentiaalvergelijkingen, benadrukt hun fundamentele epistemologische verschillen en biedt een raamwerk voor het ontwerpen van hybride methoden die de sterke punten van beide paradigma's combineren.
Dit artikel introduceert een unificerend theoretisch raamwerk dat de kwantitatieve relaties tussen verschillende evaluatiemetrics analyseert via Bayes-optimale sets en regret-overdracht om de discrepantie tussen offline validatie en online prestaties op te lossen.
Deze dissertatie stelt voor om processorontwerp te verschuiven van data-agnostisch naar data-informeerd door middel van machine learning en semantische data-eigenschappen, waardoor de prestaties en energie-efficiëntie aanzienlijk worden verbeterd door het memory-bottleneck effectief aan te pakken.
Dit paper introduceert Megatron Core, een schaalbaar en productieklaar open-source framework dat geïntegreerde optimalisaties voor geheugen, communicatie en berekening combineert om de training van Mixture-of-Experts-modellen tot triljoenen parameters op duizenden GPU's efficiënt te maken.
Dit paper introduceert een primal-dual natural actor-critic algoritme met neurale critics dat, voor het eerst, globale convergentie en cumulatieve constraint-schendingen van garandeert voor onbepaalde-horizon Constrained MDP's met algemene beleidsparametrisaties en multi-layer neurale netwerken.
Dit artikel toont aan dat te snel afnemende stapgroottes in gretige algoritmen voor sparsere leerproblemen, zelfs in laagdimensionale settings, leiden tot structurele stagnatie door over-decay en feature coherentie.
Dit paper introduceert Deep Incentive Design (DID), een nieuw differentieerbaar framework dat game-agnostische differentieerbare evenwichtsblocks (DEBs) gebruikt om complexe prikkeldesignproblemen in economie en informatica, zoals contractontwerp en machineschema's, effectief op te lossen.