7103 papers
Dit paper introduceert FedSCS-XGB, een nieuw federatief leerprotocol voor XGBoost dat de prestaties van gecentraliseerd trainen bijna bereikt (met een gap onder de 1%) bij het continu monitoren van de gezondheid via draagbare sensoren, terwijl het de structurele voordelen van XGBoost behoudt.
Het paper introduceert DC-Merge, een methode die de prestaties van modelmerging verbetert door de energie-uitdeling van taakvectoren te balanceren en hun richtingsgeometrie in een gedeelde orthogonale deelruimte af te stemmen, wat leidt tot state-of-the-art resultaten op diverse visuele en visueel-taalkundige benchmarks.
Dit artikel onthult dat gradiëntstroom in softmax-gebaseerde modellen, zoals die in transformers worden gebruikt, de optimalisatie inherent stuurt naar oplossingen met lage entropie, wat een theoretisch mechanisme biedt voor fenomenen als attention sinks en massale activaties.
Dit artikel introduceert SPPCSO, een adaptieve gepenaliseerde schattingsmethode die principal component regression en -regularisatie combineert om stabiele variabele selectie en nauwkeurige schattingen te garanderen in hoge-dimensionale, sterk gecorreleerde datasets met veel ruis.
Dit paper introduceert Synthetic Monitoring Environments (SMEs), een oneindige reeks van configureerbare continue controle-taken met bekende optimale beleidslijnen, die dienen als een gestandaardiseerd en transparant testbed om het falen van versterkingsleeralgoritmes nauwkeurig te diagnosticeren en te analyseren.
Dit artikel introduceert de BAEN-SVM, een robuust classificatiemodel dat een nieuwe gebonden asymmetrische elastic net-verliesfunctie combineert met een efficiënt half-kwadratisch optimalisatiealgoritme om ruisgevoelige data beter te verwerken dan traditionele SVM's.
Deze paper introduceert DeCoST, een leerbaar tweestapsmodel dat discrete en continue variabelen ontkoppelt om het Oriënteringsprobleem met tijdvensters en variabele winsten efficiënter en van hogere kwaliteit op te lossen dan bestaande methoden.
Dit onderzoek toont aan dat agente retrieval-augmented reasoning-pijplijnen de betrouwbaarheid van radiologievraagbeantwoording onder modelvariabiliteit verbeteren door de besluitvorming te concentreren en de consensus te versterken, wat aantoont dat betrouwbaarheid meer omvat dan alleen nauwkeurigheid of overeenstemming.
Dit artikel beschrijft een neurale implementatie van fuzzy cognitive maps, genaamd FHM, die met behulp van Langevin-differentiaal dynamica causale patronen leert en een omgekeerde oplossing biedt om outputwaarden aan te passen aan specifieke beleidsdoelen, waarna de prestaties op diverse datasets zijn geëvalueerd.
Dit paper introduceert Stem, een plug-and-play module die de causale informatiestroom in LLM's optimaliseert door position-afhankelijke selectie en output-bewuste metrics te gebruiken, waardoor de kwadratische complexiteit van self-attention wordt doorbroken en de pre-filling-latentie voor lange contexten aanzienlijk wordt verlaagd zonder in te leveren op nauwkeurigheid.
Deze paper introduceert GMM-PIELM, een probabilistisch adaptief bemonsteringsframework dat de snelheid van Physics-Informed Extreme Learning Machines combineert met een geautomatiseerde concentratie van basisfuncties in gebieden met hoge numerieke fouten, waardoor de nauwkeurigheid bij het modelleren van stijve PDE's met scherpe gradiënten aanzienlijk wordt verbeterd zonder de kosten van zware gradient-gebaseerde optimalisatie.
Deze paper presenteert een nieuwe methode voor het verwijderen van artefacten in 3D CBCT-beelden door middel van loodrechte score-gebaseerde diffusiemodellen die in het projectiedomein werken om de inconsistenties van bestaande 2D-benaderingen te overwinnen en zo de beeldkwaliteit en diagnoseprecisie te verbeteren.
Dit artikel introduceert PolaDCA, een nieuw relationeel leerframework dat gebruikmaakt van gepolariseerde directe kruis-attentie voor adaptieve berichtoverdracht in grafische neurale netwerken, waardoor de nauwkeurigheid en robuustheid van storingdiagnose in roterende machines onder ruisvoorwaarden aanzienlijk wordt verbeterd.
Dit artikel introduceert een drie-staps pipeline die grote taalmodellen post-train om via versterkingsleer efficiënte, goed gekalibreerde en interpreteerbare onzekerheidsschattingen te genereren, wat een verbetering biedt ten opzichte van bestaande, rekenintensieve methoden.
Het paper introduceert SAHOO, een praktisch framework dat de alignatie-drift tijdens recursieve zelfverbetering van AI-systemen beheerst door middel van drie veiligheidsmechanismen, waardoor aanzienlijke prestatieverbeteringen worden bereikt zonder in te leveren op veiligheid of waarheidsgetrouwheid.
Dit artikel introduceert AIRT, een end-to-end deep-learning framework dat binnen één seconde een uitvoerbaar stralingsbehandelingsplan voor prostaatkanker genereert op basis van CT-beelden, met een kwaliteit die niet onderdoet voor bestaande methoden.
Dit paper introduceert MoEless, het eerste serverless framework voor het serveren van Mixture-of-Experts (MoE) taalmodellen dat door middel van proactieve voorspelling en dynamische schaalbaarheid expert-loadbalancingproblemen oplost en zo de inferentielatentie met 43% en de kosten met 84% verlaagt ten opzichte van bestaande oplossingen.
Het artikel introduceert de Dynamic Chunking Diffusion Transformer (DC-DiT), een model dat de compute-efficiëntie en beeldkwaliteit verbetert door adaptief het aantal tokens aan te passen op basis van beeldinhoud en het denoising-stadium, zonder extra supervisie en met minimale extra training.
Dit artikel introduceert de Frequency-Separable Hamiltonian Neural Network (FS-HNN), een architectuur die de Hamiltoniaan parameteriseert via meerdere netwerken voor verschillende tijdschalen om zo de beperkingen van bestaande methoden bij het modelleren van complexe multi-tijdschaal dynamica te overwinnen en de generalisatie voor ODE's en PDE's te verbeteren.
Deze paper presenteert een lichtgewicht, hardware-onafhankelijke classificatiemethode gebaseerd op de genormaliseerde compressiedistance die, ondanks het ontbreken van strikte metriek-eigenschappen, hoge nauwkeurigheid bereikt met weinig trainingsdata en zo privacyvriendelijke client-side machine learning mogelijk maakt.