7724 papers
Deze paper introduceert StableDRL, een gestabiliseerde variant van Group Relative Policy Optimization (GRPO) die specifiek is ontworpen om reward collapse te voorkomen bij het toepassen van versterkingslering op diffusie-taalmodellen door onbetrouwbare schattingen van waarschijnlijkheidsverhoudingen aan te pakken via onvoorwaardelijke clipping en zelf-normalisatie.
Dit paper introduceert DIRECTER, een nieuwe activatiesturingstechniek die dynamisch de stuurkracht aanpast op basis van plausibiliteit en een eenmalige attentie-analyse om de instructievolgingscapaciteit van grote taalmodellen te verbeteren zonder de kwaliteit van de gegenereerde tekst te schaden.
In dit paper wordt ProtAlign geïntroduceerd, een multi-objectief voorkeursuitlijningsframework dat voorgeöefende inverse vouwmodellen fijnstelt om diverse ontwikkelbaarheidseigenschappen te optimaliseren zonder de structurele integriteit te schaden, wat resulteert in het model MoMPNN dat een verbeterde balans biedt tussen ontvouwbaarheid en ontwikkelbaarheid.
Deze paper introduceert de LAE-EnKF, een nieuwe data-assimilatiemethode die de beperkingen van de standaard Ensemble Kalman-filter bij sterk niet-lineaire systemen oplost door assimilatie uit te voeren in een geleerde, stabiele lineaire latente ruimte.
Dit paper introduceert een hybride quantum-klassiek autoencoder- en variational autoencoder-model dat gebruikmaakt van quantum impliciete neurale representaties (QINR) om beeldreconstructie en -generatie te verbeteren door rijke, hoogfrequente kenmerken te genereren en de stabiliteit en diversiteit ten opzichte van bestaande quantum generatieve modellen te vergroten.
Deze paper introduceert ICD3, een nieuwe aanpak voor het detecteren van conceptdrift in onevenwichtige stromende data die het 'maskeringseffect' van grote clusters omzeilt door onbevooroordeelde clusterbeschrijvers te gebruiken om drift in kleine concepten nauwkeurig en interpreteerbaar te lokaliseren.
Dit paper introduceert een multi-niveau framework om de robuustheid en consistentie van SHAP-verklaringen voor diagnostische en prognostische machine learning-modellen bij Alzheimer te valideren, waarbij wordt aangetoond dat cognitieve en functionele markers stabiel blijven over verschillende ziektestadia en modelarchitecturen heen.
Dit paper introduceert een diversiteitsbewuste, adaptieve selectiemethode voor collocatiepunten in Physics-Informed Neural Networks (PINNs) die het probleem omzet in een sparse QUBO-optimalisatie met hybride coreset-anchors, waardoor de trainingskosten worden verlaagd en de nauwkeurigheid voor PDE's zoals de viskeuze Burgers-vergelijking wordt verbeterd.
Deze studie toont aan dat Fourier Neural Operators (FNO) een sneller en nauwkeuriger alternatief bieden voor traditionele CFD-methoden bij het voorspellen van stationaire stroming door poreuze media, wat de topologie-optimalisatie van koudplaten aanzienlijk versnelt.
Dit paper presenteert een meta-learning architectie met graph convolutional neural networks die het mogelijk maakt om verkeersstromen snel en nauwkeurig te voorspellen in onbekende netwerksituaties, zoals bij infrastructuurstoringen of veranderingen in de vraag, zonder dat een uitgebreide trainingsdataset voor elk specifiek scenario nodig is.
Dit artikel toont aan dat symbolisch machine learning, in tegenstelling tot minder interpreteerbare neurale netwerken, effectief en uitlegbaar faaldetectie kan uitvoeren in chemische processen zoals ethyleenoxidatie, zelfs wanneer het trainen gebeurt op gesimuleerde data vanwege het gebrek aan historische real-world foutgegevens.
Deze paper toont aan dat neurale representaties een meetkundige vrijheidsgraad hebben onder lineaire transformaties, waardoor veelgebruikte vergelijkingsmaten zoals cosinus-achtigheid afhankelijk worden van de gekozen coördinaten en niet-invariant zijn voor de daadwerkelijke modelfunctie.
Dit artikel introduceert HGT-Scheduler, een deep reinforcement learning framework dat het Job Shop Scheduling Problem modelleert als een heterogeen graf met een Heterogeneous Graph Transformer om type-specifieke relaties te benutten, wat leidt tot statistisch significant betere resultaten dan homogene grafbenaderingen.
Het artikel introduceert SpatialMAGIC, een hybride framework dat graf-diffusie en ruimtelijke zelf-attention combineert om de hoge mate van sparsiteit en technische ruis in ruimtelijke transcriptomics-data te overwinnen, waardoor de imputatie van genexpressie en de daaropvolgende biologische analyses significant worden verbeterd.
Dit paper introduceert xaitimesynth, een open-source Python-pakket dat herbruikbare infrastructuur biedt voor het evalueren van attributiemethoden voor tijdreeksen door synthetische data met bekende grondwahrheid te genereren en standaard localisatiemetrieken te implementeren.
Dit artikel presenteert een door natuurkunde geïnspireerd diffusiemodel op basis van Context-UNet dat synthetische, fysisch consistente multi-spectrale satellietbeelden van zeldzame extreme weersomstandigheden genereert om het datatekort bij het detecteren van snel intensiverende tropische cyclonen te verhelpen.
Dit paper introduceert Optimistic Policy Regularization (OPR), een lichtgewicht methode die de sample-efficiëntie en prestaties van deep reinforcement learning verbetert door het beleid te regulariseren op basis van een dynamische buffer van historisch succesvolle trajecten, wat resulteert in superieure resultaten op Atari-spellen en de CAGE Challenge 2-cyberverdediging.
Dit paper introduceert Best-of-Tails (BoT), een adaptief raamwerk dat de trade-off tussen optimisme en pessimisme bij inferentie-tijd uitlijning van grote taalmodellen oplost door de zwaarte van de beloningsverdeling te analyseren en dynamisch de selectiestrategie aan te passen om zo de prestaties te maximaliseren.
Het paper introduceert NEST, een framework voor device placement in gedistribueerd deep learning dat via gestructureerde dynamische programmering parallelisme, netwerktopologie en geheugenbeperkingen gezamenlijk optimaliseert, wat resulteert in aanzienlijk hogere doorvoer en schaalbaarheid vergeleken met bestaande methoden.
Dit artikel introduceert het eerste formele kader voor cooperatief multi-agent reinforcement learning met submodulaire beloningen, waarbij algoritmen worden ontwikkeld die wiskundige garanties bieden op sample-efficiëntie en spijt, inclusief een polynoom-complexiteit benadering voor bekende dynamica en een UCB-gebaseerde leeralgoritme voor onbekende dynamica.