7103 papers
Dit onderzoek analyseert de schaalbaarheid van ongesuperviseerd versterkend leren met verifieerbare beloningen (URLVR) en concludeert dat inheemse beloningsmethoden, hoewel nuttig voor testtijd-training, fundamenteel beperkt zijn door een 'vertrouwen-correctheid'-plafond dat leidt tot modelinstorting, terwijl externe beloningsmechanismen een veelbelovend alternatief bieden om deze grenzen te doorbreken.
Dit artikel beschrijft de karakterisering en verbetering van een hybride quantum-graafneuraalnetwerk voor het reconstrueren van geladen deeltjessporen in de hoge-luminositeit-fase van de LHC, waarbij bewijs wordt geleverd voor een verbeterd trainingsgedrag en snellere convergentie.
Deze paper introduceert Momentum SVGD-EM, een versnelde variant van het Expectation-Maximisation-algoritme voor maximum marginale likelihood-schatting die Nesterov-versnelling toepast op zowel de parameterupdates als de ruimte van waarschijnlijkheidsmaatregelen om de convergentie in diverse taken te verbeteren.
Dit artikel gebruikt het AI-gestuurde evolutionaire zoekframework AlphaEvolve om een nieuwe ondergrens van 2,0749 voor de verhouding tussen de eerste-beste winst uit handel en die van het Random-Offerer-mechanisme in bilaterale handel vast te stellen, waarmee de eerder bekende benaderingsratio wordt verbeterd.
Dit paper introduceert structurele causale knelpuntmodellen (SCBMs), een nieuw kader dat causale effecten tussen hoogdimensionale variabelen reduceert tot laagdimensionale samenvattingen om schattingen te vereenvoudigen en prestaties in transferlearning te verbeteren.
Dit artikel introduceert Trilobyte, een byte-level tokenisatiemethode die autoregressieve taalmodellen toepasbaar maakt voor verliesvrije compressie van volledige audiokwaliteit (tot 24-bit), hoewel de compressiewinst ten opzichte van bestaande codecs zoals FLAC afneemt naarmate de bitdiepte toeneemt.
Deze paper introduceert een nieuwe optimalisatiebenadering voor Split Federated Learning die de modelverdelingslagen en toewijzingen van clients aan aggregators gezamenlijk optimaliseert om de trainingsnauwkeurigheid te verhogen en de vertraging en communicatie-overhead aanzienlijk te verlagen.
Het paper introduceert Agentic Critical Training (ACT), een versterkingsleerparadigma dat LLM-agents in staat stelt om autonoom de kwaliteit van acties te beoordelen en echte zelfreflectie te ontwikkelen in plaats van alleen imitatie, wat leidt tot significante prestatieverbeteringen op diverse benchmarks.
Dit paper introduceert Impermanent, een live benchmark die tijdreeksvoorspellingsevaluatie verschuift van statische train-test splits naar een continue, open-wereld benadering om de temporele robustheid en generalisatie van foundation-modellen te testen op dynamische GitHub-activiteit.
Dit artikel presenteert een mixed-frequency benadering om het Meese-Rogoff-probleem op te lossen en de voorspellingskracht van wisselkoersen (CAD/USD) te verbeteren door informatieverlies door temporele aggregatie te voorkomen.
Deze paper presenteert een interpreteerbaar kader voor het classificeren van foetale ultrasone beelden dat gebruikmaakt van medische concepten en een concept-gebaseerde GCN om de beslissingsprocessen van diepe neurale netwerken transparant en klinisch begrijpelijk te maken.
Dit artikel presenteert een neurale netwerkmodel dat de sterke correlatie tussen COVID-19 en dengue aantoont en een LSTM-benadering gebruikt om dengue-uitbraken in landen met onvoldoende data te voorspellen op basis van COVID-19-statistieken.
Dit artikel presenteert een schaalbaar en robuust algoritme voor snelle toestandsschatting in elektriciteitsnetwerken met behulp van Graph Neural Networks op factorgrafen, dat nauwkeurige resultaten levert en resistent is tegen lokale storingen van PMU's.
Dit artikel introduceert Ancestral GFlowNet (AGFN), een nieuw algoritme dat causale ontdekking onder latent verstorende factoren combineert met zowel voorafgaande als onzekere expertkennis via een Bayesiaanse versterkende leerbenadering, waarbij bewezen wordt dat het convergeert naar het ware causale model.
Dit artikel introduceert een unificerend raamwerk voor het leren van objecten uit willekeurige lineaire metingen met behulp van niet-lineaire modellen, waarbij nieuwe generalisatiegrenzen worden afgeleid die de benodigde hoeveelheid data relateren aan de structurele eigenschappen van het model en de interactie met het meetproces.
Dit paper leidt theoretische ondergrenzen af voor de energie-efficiëntie van ideale neuromorfe leer-in-geheugen-optimizers door de thermodynamica van niet-evenwichtsleren te modelleren, waarbij de energiebarrières van fysieke geheugenelementen worden afgestemd op de dynamiek van optimalisatie en consolidatie.
Deze paper introduceert een pose-bewust in-context visueel leersysteem (PA-ICVL) voor Vision-Language Models dat de detectie van semantische structurele hallucinaties in cartoon-afbeeldingen aanzienlijk verbetert door naast RGB-beelden ook pose-informatie te gebruiken.
Deze paper introduceert BInD, een diffusiemodel dat gelijktijdig moleculen en hun interacties met een doelwit-eiwit genereert om een evenwichtige optimalisatie van meerdere doelen in structurele geneesmiddelenontwerp te bereiken.
Dit artikel introduceert een innovatief tweestaps actief leerproces voor spraakherkenning dat onbewaakte x-vector-clustering combineert met een bewaakte Bayesiaanse batch-methode om de labelinspanning aanzienlijk te reduceren terwijl de prestaties op diverse testsets worden geoptimaliseerd.
Dit artikel biedt een uitgebreide review en formele specificatie van voorspellende coderingsnetwerken, een neurobiologisch geïnspireerd raamwerk dat gebruikmaakt van inferentie-leren in plaats van backpropagatie en dat zowel voor toezicht als voor generatieve modellering een veelbelovende basis vormt voor toekomstige innovaties in machine learning.