7103 papers
Dit onderzoek toont aan dat het vooraf trainen van een tokeniser met een auto-encoding-doelstelling de rekenefficiëntie en nauwkeurigheid van fysische foundation-modellen aanzienlijk verbetert, vooral wanneer de vooraftraining op hetzelfde fysische systeem als de downstream-taak wordt uitgevoerd.
Deze paper introduceert het eerste gekoppelde robuustheidsverificatiekader voor heatmaps gebaseerde sleutelpuntdetectie dat, in tegenstelling tot eerdere onafhankelijke benaderingen, de gezamenlijke afwijking van alle sleutelpunten garandeert door het verificatieprobleem te formuleren als een falsificatieopdracht met behulp van gemengd-geheelgetallige lineaire programmering.
Dit paper introduceert behavior-dLDS, een model dat neurale dynamiek ontleedt in gedrag-gerelateerde en interne subsystemen om complexe hersenactiviteit te ontrafelen en de relatie met gedrag te kwantificeren, zelfs bij datasets met tienduizenden neuronen.
Het artikel introduceert RACAS, een robotonafhankelijk agentic systeem dat gebruikmaakt van drie op taal gebaseerde modules om diverse robotplatforms via natuurlijke taal te besturen zonder dat er aanpassingen aan de broncode of modelgewichten nodig zijn.
Dit paper introduceert een domeinonafhankelijk raamwerk om de meest waarschijnlijke aanvalaar te identificeren op basis van een waargenomen aanval, waardoor verdedigers zowel exogene mitigatiestrategieën kunnen toepassen als de prestaties van directe verdedigingsmethoden kunnen verbeteren.
Dit paper introduceert de geïnterpoleerde FID (iFID), een nieuwe metiek die door interpolatie van latente representaties een sterke correlatie aantoont met de generatieve FID van diffusiemodellen, waardoor het een betrouwbaarder voorspeller wordt dan de traditionele reconstructie-FID.
Dit paper introduceert Implicit Error Counting (IEC), een referentievrije beloningsmethode voor reinforcement learning die in plaats van een rubric fouten telt met gewichten, wat leidt tot superieure resultaten bij virtuele pasproeven waar geen enkel ideaal antwoord bestaat.
Dit artikel toont aan dat het integreren van vectoriële representaties van een kennisgrafiek, gebaseerd op zowel prestaties op het veld als daarbuiten, de nauwkeurigheid van machine learning-modellen voor het voorspellen van NBA-salarissen aanzienlijk verbetert, met name voor veteranen en spelers met hoge salarissen.
Dit artikel toont aan dat versterkingslering (RL) effectief kan worden ingezet om netwerkinstanties te vinden met een aanzienlijk hoger aantal evenwichtspunten dan het gemiddelde, waardoor het een veelbelovende oplossing biedt voor de analyse van complexe niet-lineaire stroomvloeivergelijkingen die traditionele algebraïsche methoden overtreffen.
Dit artikel toont aan dat bij random feature ridge regression een sterk model dat is getraind op imperfecte labels van een zwakker model, aanzienlijk betere schalingswetten kan volgen en zelfs de minimax-optimale convergentiesnelheid kan bereiken, zelfs wanneer de fout van het lerende model niet daalt met de steekproefgrootte.
Dit artikel onderzoekt parallelisatiestrategieën voor de implementatie van dichte grote taalmodellen, waarbij het aantoont dat Tensor Parallelism de latentie verbetert terwijl Pipeline Parallelism beter geschikt is voor doorvoeroptimalisatie, en hoe een hybride aanpak de afweging tussen deze twee prestatie-indicatoren kan sturen.
Dit artikel bewijst dat Moore-machines exact kunnen worden gerealiseerd als state-space modellen en toont aan dat het combineren van symbolisch automata-leren met deze continue modellen leidt tot snellere convergentie en betere prestaties dan willekeurige initialisatie.
Deze paper introduceert een meetkundig raamwerk op basis van hoofdvezelbundels om de fundamentele beperkingen en kansen bij het leren van differentiaalvergelijkingen die de evolutie van tijdsafhankelijke netwerken besturen via Random Dot Product Graphs te analyseren, waarbij het de onlosmakelijke relatie tussen geometrische kromming, statistische onzekerheid en de identificeerbaarheid van dynamica belicht.
Hoewel AI veelbelovend is voor klimaatwetenschap, riskeert de huidige ontwikkeling, die gedomineerd wordt door het Noordelijke halfrond en gebaseerd is op onvolledige data, de bestaande ongelijkheden te versterken, wat een fundamentele verschuiving vereist naar data-gedreven ontwikkeling, digitale publieke infrastructuur en gezamenlijke kennisproductie om echte weerbaarheid te waarborgen.
Dit onderzoek toont aan dat onbewaakte domeinadaptatie, met name door het minimaliseren van de maximum mean discrepancy (MMD), de generalisatie van een op synthetische data getraind machine learning-model voor radio-isotoopidentificatie in gamma-spectroscopie aanzienlijk verbetert bij toepassing op ongelabelde experimentele data.
Dit paper weerlegt eerdere theoretische bevindingen door aan te tonen dat Best-of-N-sampling, wanneer geoptimaliseerd voor win-rate in plaats van verwachte beloning, statistisch en computationeel optimaal is voor inferentie-tijd uitlijning, en stelt een eenvoudige variant voor die beloningshacking effectief elimineert zonder de prestaties te verminderen.
In dit paper presenteren de auteurs Icarus, een all-weather hemelmodel dat via deep learning full dynamic range omgevingenkaarten genereert met ongeëvenaarde nauwkeurigheid, fotorealisme en controle over zon- en wolkenformaties voor Image Based Lighting.
Dit paper introduceert MIRACL, een hiërarchisch meta-versterkingsleerframework dat few-shot generalisatie mogelijk maakt voor multi-objectieve supply chain-optimalisatie door taken te decomponeren en een Pareto-gebaseerde strategie te gebruiken, waardoor het conventionele baselines significant overtreft in termen van aanpassingsvermogen en prestaties.
Deze paper introduceert Score-Guided Proximal Projection (SGPP), een unified geometrisch framework dat de kloof tussen deterministische optimalisatie en stochastische sampling overbrugt om Rectified Flow-modellen effectief te sturen voor taken zoals semantische bewerking en beeldherstel, terwijl het bestaande methoden als een speciaal geval omvat en een trainingsvrije afweging biedt tussen identiteitsbehoud en generatieve vrijheid.
Dit paper introduceert TML-Bench, een benchmark voor het evalueren van autonome data science-agenten op Kaggle-achtige tabulaire machine learning-taken, waarbij de prestaties van tien open-source LLM's worden gemeten op basis van succespercentages en scores onder verschillende tijdsbeperkingen.