7103 papers
Dit paper introduceert ContextBench, een benchmark voor het evalueren van methoden die specifieke latenten of gedragingen in taalmodellen activeren via contextmodificatie, en presenteert verbeterde varianten van Evolutionary Prompt Optimisation die een betere balans bereiken tussen activatiekracht en taalkundige vloeiendheid.
Dit paper introduceert Sysformer, een methode die de veiligheid van ingevroren grote taalmodellen verbetert door adaptieve systeemprompts te leren, waardoor de weerstand tegen schadelijke prompts en de naleving van veilige prompts aanzienlijk stijgt zonder kostbare hertraining van de modelparameters.
Het paper introduceert SPoT, een innovatieve tokenisatiestrategie voor Vision Transformers die tokens continu binnen afbeeldingen plaatst in plaats van op een raster, waardoor de noodzaak voor een groot aantal tokens wordt verminderd en de prestaties in spaarzame regimes aanzienlijk worden verbeterd.
Deze paper introduceert QCAI, een nieuwe post-hoc methode die cross-attention interacties in transformer-decoders kwantificeert om de interpretatie van TCR-pMHC-binding te verbeteren en presteert hierin beter dan bestaande methoden op de nieuwe TCR-XAI-benchmark.
Dit paper introduceert 'DejaVu', een aanval die de integriteit van tijdsynchronisatie in multimodale autonome voertuigsystemen manipuleert door subtiel te vertraagde camera- of LiDAR-data, wat leidt tot een drastische verslechtering van objectdetectie en -tracking en ernstige veiligheidsrisico's zoals botsingen en phantom braking veroorzaakt.
Deze paper introduceert een nieuw student-leraar-framework voor autonoom rijden dat multi-agent versterkende leer gebruikt om automatisch een adaptief curriculum te genereren, waardoor agents betere en evenwichtigere rijgedragingen leren dan met traditionele, op regels gebaseerde scenario's.
Deze paper introduceert de State Space Neural Operator (SS-NO), een compacte architectuur die gestructureerde state space-modellen uitbreidt met adaptieve demping en leerbare frequentiemodulatie om tijd-afhankelijke partiële differentiaalvergelijkingen efficiënter en nauwkeuriger op te lossen dan bestaande methoden.
Deze paper introduceert het nieuwe 'multivariate fields of experts'-kader voor het leren van beeldpriors, dat door middel van Moreau-hullingen van de -norm diverse inverse problemen effectief oplost met een snelheid en parameter-efficiëntie die dicht bij deep learning ligt, maar met behoud van interpretatie en theoretische convergentiegaranties.
Dit artikel biedt een theoretisch inzicht in het gedrag van het Expectation-Maximization-algoritme bij overspecifieerde twee-componenten gemengde lineaire regressie, waarbij wordt aangetoond dat de convergentiesnelheid en statistische nauwkeurigheid sterk afhankelijk zijn van de initiële balans van de menggewichten, met lineaire convergentie en optimale nauwkeurigheid bij onbalans versus sublineaire convergentie en verminderde nauwkeurigheid bij balans.
Dit paper introduceert Kernel VICReg, een zelftoezichtend leermethode die het VICReg-doelwit naar een Reproducing Kernel Hilbert Ruimte verplaatst om niet-lineaire afhankelijkheden beter te vangen en representatieve ineenstorting te voorkomen, wat leidt tot consistente prestatieverbeteringen op diverse datasets.
Het artikel introduceert ScaleZero, een efficiënt wereldmodel dat door middel van een Mixture-of-Experts-architectuur en een dynamische parameter-schaalstrategie (DPS) gradientconflicten oplost en met slechts 71,5% van de interacties prestaties bereikt die vergelijkbaar zijn met gespecialiseerde single-task agents voor heterogene multi-task planning.
Dit artikel toont aan dat diepe ensemble-modellen van neurale netwerken een snelle, nauwkeurige en real-time methode bieden voor kwantumschatting met gekwantificeerde onzekerheid en drift-detectie, zonder in te leveren op de precisie van de schattingen.
Dit paper introduceert de 'Answer-Then-Check'-benadering en het bijbehorende ReSA-dataset om grote taalmodellen veiliger te maken tegen jailbreak-aanvallen door hen eerst een antwoord te laten bedenken en vervolgens de veiligheid daarvan te evalueren, wat resulteert in een betere balans tussen veiligheid en bruikbaarheid.
Dit artikel introduceert VEGA, een systeem voor elektrische voertuigen dat een fysica-informeerde neurale operator combineert met Proximal Policy Optimization om energie-efficiënte routes en laadstops te plannen, wat resulteert in een snellere en generaliseerbare navigatie dan bestaande methoden.
Deze paper introduceert TACE, een nieuw model voor atomaire machine learning dat de complexiteit van sferische-tensorrepresentaties omzeilt door lokale omgevingen te ontleden in irreducibele Cartesische tensoren, waardoor het nauwkeurige en stabiele voorspellingen mogelijk maakt voor zowel scalaire als tensoriële observabelen in moleculen en materialen.
Dit paper introduceert C²Prompt, een nieuwe methode voor federatief continu leren die door middel van lokale klassendistributie-compensatie en klassenbewuste prompt-aggregatie de coherentie van kennis tussen clients verbetert om zowel ruimtelijk als tijdelijk vergeten te verminderen.
Dit artikel introduceert een auto-regressieve U-Net-architectuur die de tijdsafhankelijke schadeontwikkeling in beton op basis van microstructurele geometrie en krimpvoorspellingen efficiënt voorspelt, waardoor inzicht wordt verkregen in de relatie tussen aggregaat eigenschappen en mechanische prestaties voor het optimaliseren van betonsamenstellingen.
Dit paper introduceert GPHDM, een nieuw model dat hyperbolische variëteiten en taxonomische inductieve bias combineert om robotbewegingen te genereren die zowel de hiërarchische structuur van bewegingen als fysieke consistentie behouden.
Deze paper introduceert Planner Aware Path Learning (PAPL), een nieuwe trainingsmethode voor diffusie-taalmodellen die de discrepantie tussen training en planning-gebaseerde inferentie oplost door een aangepaste P-ELBO te gebruiken, wat leidt tot aanzienlijke prestatieverbeteringen in domeinen zoals eiwitsequenties, tekstgeneratie en code.
Dit paper introduceert DAV, een raamwerk dat diffusiemodels optimaliseert voor downstream-doelen door het aligneren als een variational expectation-maximatie-proces te formuleren, waardoor zowel beloning als diversiteit behouden blijven zonder last te hebben van over-optimalisatie of mode-collapse.