8201 papers
Dit paper introduceert de Hinge Regression Tree (HRT), een nieuwe methode voor het vinden van oblique splits in regressiebomen door het probleem te herformuleren als een niet-lineair kleinste-kwadratenprobleem dat via een gedempte Newton-methode wordt opgelost, wat leidt tot snelle convergentie, universele benaderingseigenschappen en superieure prestaties vergeleken met bestaande single-tree baselines.
Dit paper introduceert Radial Müntz-Szász Networks (RMN), een nieuw neuraal architectuurtype met leerbare machtsbases dat radiale singulariteiten zoals en efficiënter en nauwkeuriger modelleert dan bestaande methoden, terwijl het tegelijkertijd de fundamentele beperkingen van coördinaat-separabele netwerken voor dergelijke velden oplost.
Het artikel introduceert SDFed, een heterogeen federatief prompt-leerframework dat de discrepantie tussen lokale en globale modellen overbrugt door variabele lokale prompts te combineren met subspace-verfijning en divergentiecontrole, waardoor de prestaties en robuustheid in privacygevoelige omgevingen met diverse data en resources worden verbeterd.
Dit onderzoek toont aan dat hybride Retrieval-Augmented Generation-systemen kwetsbaar zijn voor 'Retrieval Pivot Attacks' waarbij vector-gebaseerde zoekopdrachten via entiteitslinks ongeautoriseerde toegang tot gevoelige gegevens mogelijk maken, en demonstreert dat het afdwingen van autorisatie op de grens van de grafexpansie deze lekken effectief elimineert.
Dit artikel introduceert een unificerend pretrainingsframework op basis van diffusie voor hersengrafen, dat semantisch betekenisvolle connectiviteitspatronen behoudt en globale structurele informatie vastlegt om robuustere representaties te leren dan bestaande methoden.
Dit onderzoek presenteert een methode om pagina's van geshufelde Nederlandse vrijheidsinformatiedocumenten opnieuw te ordenen, waarbij een gespecialiseerd model de beste resultaten boekt met een Kendall's tau van 0,72 voor 15 pagina's, ondanks dat standaard seq2seq-transformatoren en curriculum learning bij langere documenten significant falen.
Dit artikel introduceert een respons-vrij topic-modeling-framework dat de semantische structuur van psychologische schalen benut om deze met 60,5% te verkorten terwijl de psychometrische kwaliteit en factorstructuur behouden blijven.
TrasMuon verbetert Muon-gebaseerde optimalisatoren door de orthogonalisatie te behouden en tegelijkertijd de stabiliteit te waarborgen via globale RMS-calibratie en energiegebaseerde trust-region-clipping, wat resulteert in snellere convergentie en robuustheid zonder warmup-fasen.
Dit onderzoek onthult dat datalekken in benchmarksets de prestaties van op LLM's gebaseerde aanbevelingssystemen kunstmatig kunnen inflateren of verstoren, waardoor de betrouwbaarheid van evaluatiemetingen in gevaar komt.
Dit artikel introduceert de Mean Velocity Policy (MVP), een generatieve beleidsfunctie die een gemiddeld snelheidsveld modelleert met een onmiddellijke snelheidsbeperking om expressieve, deterministische actiegeneratie in één stap te bereiken, wat resulteert in state-of-the-art prestaties en aanzienlijke snelheidswinst in robuuste manipulatietaken.
Dit paper introduceert Pawsterior, een variational flow-matching framework dat de beperkingen van gestructureerde domeinen en discrete latente structuren in simulatiegebaseerde inferentie (SBI) effectief aanpakt door een twee-zijdig variational model met affiene geometrische beperkingen te gebruiken.
Dit paper stelt dat de voorspelbare schaalbaarheid van codegeneratie ten opzichte van versterkingslering wordt veroorzaakt door de specifieke informatie-structuur van code, en introduceert een hiërarchie van leerbaarheid die suggereert dat de toekomstige grenzen van machine learning meer afhangen van de aard van de taak dan van modelgrootte.
Dit paper introduceert LongAudio-RAG, een hybride raamwerk dat vraag-antwoordsystemen voor lange audio-opnames verbetert door Large Language Models te koppelen aan gestructureerde, tijdstempelgebonden geluidsgebeurtenissen in plaats van ruwe audio, wat resulteert in nauwkeurigere antwoorden met minder hallucinaties.
Deze paper introduceert Direct Kolen-Pollack Predictive Coding (DKP-PC), een algoritme dat de vertraging en exponentiële afname van foutsignalen in traditionele Predictive Coding oplost door directe feedbackverbindingen te gebruiken, waardoor de complexiteit van foutpropagatie van O(L) naar O(1) daalt en tegelijkertijd de prestaties worden verbeterd.
Dit paper toont aan dat het selecteren van een zorgvuldig gedefinieerde subset van bronnen, zelfs binnen een collectie van over het algemeen goede bronnen, statistisch optimale schatting van gedeelde kenmerken mogelijk maakt en overbodige data kan verwijderen zonder prestatieverlies.
Het artikel introduceert Emotion Collider (EC-Net), een hyperbolisch hypergraafkader dat hiërarchische modale relaties en bidirectionele berichtuitwisseling combineert met contrastief leren om robuuste en nauwkeurige sentimentherstelmodellen te realiseren, zelfs bij aanwezigheid van ruis of ontbrekende modaliteiten.
Dit artikel introduceert ModalImmune, een trainingskader dat multimodale systemen robuust maakt tegen het verlies of de corruptie van invoerkanaal door middel van gecontroleerde, zelfdestructieve training die leidt tot stabiele en herstelbare gezamenlijke representaties.
Dit onderzoek introduceert FlyGM, een model dat het exacte connectoom van een volwassen fruitvlieg gebruikt als een statisch, biologisch gefundeerd neurale netwerk om de beweging van het hele lichaam te besturen, waarbij het superieure prestaties en hogere sample-efficiëntie toont ten opzichte van gerandomiseerde of standaard neurale netwerken.
Dit paper introduceert methoden voor split-conformale voorspelling die, naast marginale dekking, ook operationele garanties bieden voor besluitvormingsfrequentie en foutblootstelling door middel van kleine-steekproefcorrecties, onafhankelijke audits en een geometrische analyse van de afwegingen tussen deze operationele grootheden.
Dit artikel toont aan dat architecturen die equivariante operatoren in een latente ruimte leren, effectief kunnen worden ingezet voor robuuste objectherkenning bij zeldzame transformaties, maar waarschuwt ook voor de uitdagingen bij het schalen naar complexere datasets.