7960 papers
Dit paper introduceert FutureBoosting, een hybride AI-ramenwerk dat de voorspellingsnauwkeurigheid van elektriciteitsprijzen aanzienlijk verbetert door forecasted features van een gefrozen tijdsreeks-foundation model te integreren in een regressiemodel, wat resulteert in een reductie van de gemiddelde absolute fout van meer dan 30%.
Het paper introduceert de Safe Transformer, een modulaire aanpak die een expliciete veiligheidsbit in taalmodellen integreert om zowel de interpretatie van veiligheidsbeslissingen als de controle over het gedrag van het model te verbeteren zonder volledige hertraining.
Orion is het eerste open end-to-end systeem dat de Apple Neural Engine direct aanstuurt via private API's om zowel stabiel on-device training als snelle inferentie van grote taalmodellen mogelijk te maken door CoreML te omzeilen en recompilatie-tijd tijdens training drastisch te reduceren.
Dit paper introduceert een versterkingsleerbenadering die door middel van dichtheidsinvariante observatiecodering en trainingsrandomisatie veilige navigatie in dichte menigten mogelijk maakt zonder te bevriezen of te crashen, zelfs bij onbekende, hogere dichtheden dan tijdens de training.
Dit paper introduceert PolyBlocks, een modulaire MLIR-gebaseerde compilerinfrastructuur voor AI-chips en -frameworks die via geautomatiseerde optimalisaties en analytische kostenmodellen prestaties levert die concurreren met of zelfs de beste vendor-bibliotheken en bestaande compilatoren zoals Torch Inductor en XLA overtreffen.
Dit paper introduceert Calibrated Credit Intelligence (CCI), een deploymentgericht framework dat Bayesiaanse onzekerheid, fairness-beperkte gradient boosting en shift-bewuste fusie combineert om credit risk scores te leveren die onder tijdsafhankelijke verschuivingen nauwkeurig, goed gekalibreerd en eerlijk blijven.
Deze paper introduceert Rank-Factorized Implicit Neural Bias (RIB), een methode die Super-Resolution Transformers compatibel maakt met FlashAttention door relatieve positionele bias te vervangen, waardoor de trainings- en inferentiesnelheid aanzienlijk wordt verbeterd en grotere venstergroottes mogelijk worden voor superieure prestaties.
Deze paper introduceert een efficiënt raamwerk voor heterogene decentrale diffusiemodellen dat de trainingskosten aanzienlijk verlaagt en diverse trainingsdoelen (DDPM en Flow Matching) mogelijk maakt, wat resulteert in een 16-voudige reductie in rekenkracht en een 14-voudige reductie in data ten opzichte van eerdere methoden.
Deze paper introduceert een raamwerk dat een vooraf getraind generatief model fijntuint om samples direct binnen complexe, realistische beperkte gebieden te genereren, waardoor een nieuw compromis wordt gevonden tussen het naleven van constraints en de kwaliteit van de generatie.
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.