7103 papers
RoboLayout is een nieuw framework dat LayoutVLM uitbreidt met agent-bewust redeneren en differentieerbare optimalisatie om semantisch coherente en fysiek haalbare 3D-scènes te genereren die specifiek zijn afgestemd op de navigatie- en interactiecapaciteiten van diverse embodied agents.
Dit artikel introduceert een multimodaal computergestuurd pathologiekader dat klinische gegevens en routine PAS-gekleurde biopsieën combineert via een Clinical-Injection Transformer en een domein-aangepaste MAE om de prognose van pediatrische lupus nefritis met hoge nauwkeurigheid te voorspellen.
Dit paper introduceert JAWS, een probabilische regularisatiestrategie die door middel van ruimtelijk adaptieve Jacobiaan-regularisatie de stabiliteit en nauwkeurigheid van lange-termijn rollouts van neurale operatoren verbetert door contractie in gladde gebieden te bevorderen en beperkingen rond singuliere kenmerken te versoepelen.
VDCook is een zelfevoluerend videosysteem dat onderzoekers en teams in staat stelt om via natuurlijke taal en aanpasbare parameters dynamische, metadata-rijke trainingsdatasets voor multimodale taalmodellen te genereren en continu bij te werken.
Dit paper introduceert een theoretisch raamwerk voor grammatica-gedwongen decoding dat bewijst dat taalkundig equivalente grammatica's weliswaar identieke toekenningsmasks opleveren, maar aanzienlijk verschillende computatiekosten kunnen veroorzaken door structurele ambiguïteit, en biedt bovendien onderbouwing voor het optimaliseren van grammatica's en het beperken van de distortie bij het maskeren van logits.
Dit artikel stelt een intuïtieve algebraïsche herschikking van de Yates-covariantiedecompositie van de Brier-score voor, die de optimaliteitsvoorwaarden voor perfecte probabilistische voorspellingen transparant maakt door de score op te splitsen in drie niet-negatieve termen: een variantie-mismatch, een correlatiedeficit en een kalibratie-in-het-groot.
Het paper introduceert IntSeqBERT, een dubbelstroom Transformer-model dat door het combineren van logaritmische magnitude-embeddings en modulo-embeddings de rekenkundige structuur van geheeltallige rijen in de OEIS effectiever leert dan standaard modellen, wat leidt tot aanzienlijk betere voorspellingen van volgende termen via een op het Chinese Reststelling-gebaseerde solver.
Dit onderzoek toont aan dat in een stochastisch model voor besluitvorming via tijdreeksen negatieve autocorrelatie optimaal is in beloningsrijke omgevingen, terwijl positieve autocorrelatie voordelig is in beloningsarme omgevingen, afhankelijk van de som van de winnende kansen.
Dit artikel introduceert de Continuous-Time Koopman Autoencoder (CT-KAE) als een lichtgewicht, stabiel en efficiënt surrogaatmodel voor langetermijnvoorspellingen van de oceaanstaat, dat door het projecteren van niet-lineaire dynamica op een lineaire latentruimte superieure stabiliteit en snelheid biedt ten opzichte van autoregressieve Transformer-baselines.
Dit artikel presenteert een theoretisch model dat aantoont dat generatieve AI, hoewel het individuele vaardigheidsverschillen verkleint, door de verschuiving van economische waarde naar geconcentreerde complementaire activa kan leiden tot toegenomen aggregate ongelijkheid, waarbij het uiteindelijke resultaat afhangt van de technologie-structuur en arbeidsmarktinstituten.
Dit artikel introduceert CDDS, een nieuw algoritme voor kruismodale uitlijning dat embeddings via een dubbel-pad UNet ontdoet van niet-semantische informatie en een modale kloof overbrugt door middel van distributiestalen, wat leidt tot een significante verbetering van de prestaties ten opzichte van de huidige beste methoden.
FuseDiff is een geavanceerd diffusiemodel dat voor het eerst twee specifieke bindingsposities van een enkel ligand in twee verschillende eiwitzakken gelijktijdig genereert, waardoor de effectiviteit van polyfarmacologische therapieën wordt verbeterd en de weerstand wordt verminderd.
Dit artikel introduceert een prior-informatie gebaseerde, distributie-robuste methode voor het afleiden van geïndividualiseerde behandelregels die meerdere databronnen integreert en robuust blijft onder posterior-shift door een worst-case beleidswaarde te maximaliseren binnen een aangepast onzekerheidsgebied.
Deze studie presenteert een end-to-end machine learning-pijplijn die bulk- en single-cell transcriptomics-data van MS-patiënten integreert om via XGBoost en SHAP-analyse nieuwe biomarkers en mechanistische inzichten in de pathogenese van Multiple Sclerosis te onthullen.
Dit paper gebruikt een Lie-algebraïsche controleperspectief om aan te tonen dat de diepte van paralleliseerbare sequentiemodellen correleert met een toren van Lie-algebra-uitbreidingen, wat leidt tot een exponentiële afname van de benaderingsfout en zo de sterke empirische prestaties van deze modellen theoretisch onderbouwt.
Dit artikel introduceert een methode voor conditionele statistische inferentie bij schaarse gelabelde data en overvloedige ongelabelde covariaten, die machine-learningvoorspellingen combineert met kernelgebaseerde localisatie om de variantie te verkleinen en geldige betrouwbaarheidsintervallen te garanderen zonder parametrische aannames.
Dit artikel introduceert de Deep Koopman Speech Disentanglement Autoencoder (DKSD-AE), een efficiënt en schaalbaar model dat zonder tekstuele supervisie of grote vooraf getrainde netwerken spreker- en inhoudsdynamica ontrafelt voor robuuste sprekerverificatie.
Dit artikel introduceert een nieuw hybride heuristisch-versterkingsleerframework (HHRL) dat Q-learning combineert met spetsifieke heuristieken om het complexe probleem van het rangschikken van goederenwagons in spoorwegemplacementen met zowel een- als tweezijdige toegangseffectief op te lossen.
Deze studie presenteert een GeoAI-hybride raamwerk dat MGWR, Random Forest en ST-GCN combineert om de ruimtelijk-tijdelijke heterogeniteit van multimodale verkeersstromen en hun interactie met landgebruik effectiever te modelleren dan traditionele methoden, waardoor beleidsmakers een interpreteerbaar instrument krijgen voor evidence-based mobiliteitsbeheer.
Dit paper introduceert BISE, een strategie die bestaande, vooroordeelvrije subnetwerken uit standaard getrainde modellen haalt door pruning, waardoor bias-effectieve mitigatie mogelijk is zonder extra data of hertraining.