7103 papers
Deze paper introduceert ToCoRL, een framework dat de inherente gedragsplasticiteit van grote taalmodellen benut door middel van token-voorwaardelijke generatie en versterkingslering, waardoor modellen hun gedrag (zoals het schakelen tussen stap-voor-stap redeneren en direct antwoorden) stabiel kunnen aanpassen zonder hun oorspronkelijke vaardigheden te verliezen.
Dit paper analyseert de oorzaken van instabiliteit in niet-lineaire waarde-decompositie voor offline multi-agent versterkingslering en stelt een praktische recept voor dat scale-invariante waarde-normalisatie (SVN) gebruikt om het actor-critic-leren te stabiliseren en de prestaties te maximaliseren.
Dit paper introduceert GCOS, een trainingsframework dat virtuele outliers genereert in de verborgen feature-ruimte die de manifoldstructuur van in-distributie-data respecteren, waardoor de robuustheid van deep neural networks voor het detecteren van out-of-distribution samples aanzienlijk wordt verbeterd.
Dit paper introduceert een nieuw Meta-RL-framework met gedeelde representaties en een hybride actor-critic-architectuur dat snelle aanpassing en verbeterde generalisatie mogelijk maakt voor energiebeheersystemen, zoals aangetoond door experimenten op een real-world dataset van bijna tien jaar.
Dit paper introduceert SYNAPSE, een trainingsvrij raamwerk dat de interne robustheid en kwetsbaarheden van Transformer-modellen analyseert door middel van neuron-rangschikking en interventies, waarbij het een consistente, domeinonafhankelijke organisatie van representaties en asymmetrische specialisatiepatronen onthult.
Dit artikel introduceert IronEngine, een geavanceerd AI-assistentplatform dat via een geünificeerde orchestratiekern en een drie-fasenpipeline planning en uitvoering scheidt, waardoor het een robuuste basis vormt voor algemene persoonlijke assistenten en automatiseringsframeworks.
Dit paper introduceert GRACE, een adaptief raamwerk voor klassen-incrementeel leren dat door middel van een cyclische strategie van uitbreiden, beoordelen en comprimeren een optimale balans bereikt tussen plasticiteit en stabiliteit, waardoor de prestaties worden verbeterd en het geheugengebruik tot 73% wordt gereduceerd.
Deze prospectieve haalbaarheidsstudie toont aan dat een conversational AI (AMIE) in een echte huisartsenpraktijk veilig en effectief kan worden ingezet voor het verzamelen van anamnese en het formuleren van differentiaaldiagnoses, waarbij de kwaliteit vergelijkbaar was met die van huisartsen, hoewel de huisartsen nog steeds beter scoorden op praktische uitvoerbaarheid en kosten-effectiviteit.
LycheeCluster is een nieuwe methode die de inferentie van grote taalmodellen bij lange contexten versnelt tot 3,6x door middel van semantisch bewuste chunking en een hiërarchische indexering van de KV-cache, waardoor de zoektijd van lineair naar logaritmisch wordt gereduceerd met minimale kwaliteitsverlies.
Dit onderzoek onthult dat RL-agenten een scherpe detectiedrempel hebben voor geleidelijke waarnemingsdrift, waarbij het moment van 'wakker worden' wordt bepaald door een complexe interactie tussen detectorgevoeligheid, ruis en de dynamiek van de omgeving, wat in fragiele scenario's kan leiden tot falen vóórdat enige waarschuwing wordt gegeven.
Dit artikel presenteert een adaptieve, entropie-gedreven sensorselectiemethode binnen een camera-LiDAR deeltjesfilter voor robuuste tracking van een enkel vaartuig, die in een realistische maritieme testomgeving in Cyprus een gunstige afweging tussen nauwkeurigheid en continuïteit bereikt door dynamisch te schakelen tussen sensormodi op basis van informatiewinst.
In dit artikel wordt MedCertAIn voorgesteld, een raamwerk dat data-gedreven priors en multimodale klinische gegevens combineert om de prestaties en betrouwbaarheid van onzekerheidsbewuste risicopredicties in de zorg te verbeteren.
Dit paper introduceert een Conditional Information Bottleneck-framework dat Chain-of-Thought-redenering als verliesvolle compressie modelleert om via een semantische prior en versterkingslering de tokenkosten te minimaliseren zonder in te leveren op nauwkeurigheid of logica.
Deze paper introduceert MUSA-PINN, een multi-scale zwakke-vorm PINN-methode die PDE-beperkingen herschrijft als integraalbehoudswetten over hiërarchische controlevolumes om convergentieproblemen en massabehoudsschendingen in complexe TPMS-geometrieën op te lossen en zo de nauwkeurigheid aanzienlijk te verbeteren.
Dit paper introduceert een modelgebaseerde versterkingsleerframework dat Lagrangiaanse neurale netwerken integreert om de dynamica te leren volgens fysische wetten, waarbij wordt aangetoond dat een op toestandschatting gebaseerde optimisatie sneller convergeert dan een stochastische gradientmethode.
Het paper introduceert STRIDE, een dynamisch leerframework dat Lagrangiaanse neurale netwerken combineert met conditionele flow matching om robuuste voorspellingen te maken voor robotica in ongestructureerde omgevingen door conservatieve mechanica te scheiden van stochastische interactie-effecten.
Dit paper introduceert X-AVDT, een robuuste deepfake-detectormethode die gebruikmaakt van audio-visuele kruisattentie-cues uit generatieve modellen via DDIM-inversie, en introduceert het nieuwe MMDF-dataset om de prestaties en generalisatievermogen van detectoren te verbeteren.
Het artikel introduceert NN-OpInf, een nieuw raamwerk voor niet-intrusieve gereduceerde orde-modellering dat via structure-behoudende en composable neurale netwerken dynamische systemen met niet-polynomiale niet-lineariteiten nauwkeuriger en robuuster kan modelleren dan traditionele polynoomgebaseerde methoden.
Dit paper introduceert PolarBear, een raamwerk dat Bayesiaanse racing en rangschikkingen gebruikt om Pareto-optimale anytime-algoritmen te identificeren zonder normalisatie of bekende optima, waardoor een robuuste vergelijking en selectie mogelijk is onder onbekende computatiebudgetten.
Deze paper introduceert een efficiënte methode genaamd 'decalibration' om credale voorspellingen te genereren voor complexe modellen zoals foundation models, waardoor onzekerheid op een rekenkundig haalbare manier kan worden weergegeven zonder het noodzakelijke hertrainen van modelensembles.