8269 papers
Dit paper introduceert OptiRoulette, een nieuwe stochastische meta-optimizer die tijdens het trainen dynamisch update-regels selecteert en hiermee de convergentie tot 5,3 keer versnelt en de testnauwkeurigheid op diverse beeldclassificatiedatasets aanzienlijk verbetert ten opzichte van de standaard AdamW-baseline.
Dit paper introduceert een uniforme representatie voor generatieve modellen zoals diffusion en flow matching, en toont aan dat een soms zwakke correlatie tussen ruis en het voorspelde doel de leerprocessen kan beïnvloeden.
Dit paper introduceert het Annealed Co-Generation (ACG)-framework, dat multivariate co-generatie in wetenschappelijke toepassingen efficiënter maakt door complexe gezamenlijke modellering te vervangen door een samenstellende reeks van laag-dimensionale, paarsgewijze diffusiemodellen die via een drie-fase-annealingsproces worden gekoppeld.
Dit paper introduceert RACER, een risicobewuste en gekalibreerde routeringsmethode voor grote taalmodellen die query's naar sets van modellen routeert om de misroutingrisico's te beheersen en de downstream-nauwkeurigheid te verbeteren zonder afhankelijk te zijn van specifieke verdelingsaannames.
Dit paper introduceert Evo, een nieuw type groot taalmodel dat autoregressieve en diffusiemethoden verenigt in een continu evolutionair raamwerk om zowel hoge generatiekwaliteit als snelle inferentie te bereiken.
Deze paper introduceert een nieuw topology-bewust kader dat kennisdistillatie en contextbewuste representatielering combineert om zero-shot interactievoorspelling in multiplex biologische netwerken te verbeteren, waardoor de beperkingen van bestaande methoden worden overwonnen en de ontdekking van nieuwe biologische interacties voor gepersonaliseerde therapieën wordt bevorderd.
Het artikel introduceert NAT (Not All Tokens Are Needed), een framework dat de trainingskosten van reinforcement learning voor lange redeneringen verlaagt door alleen een subset van tokens te updaten via Horvitz-Thompson-herschaling, terwijl het prestatieniveau van volledige token-training behouden blijft.
Dit paper introduceert GraphSkill, een agentisch raamwerk dat hiërarchische documentretrieval en zelf-debugging combineert om de kwaliteit en efficiëntie van codegeneratie voor complexe grafenredenering te verbeteren, ondersteund door een nieuw evaluatiedataset.
Deze studie toont aan dat Process Reward Models (PRMs) kwetsbaar zijn voor adversariale aanvallen en eerder functioneren als fluwheidsdetectoren dan als betrouwbare verifiers van redenering, waardoor de auteurs een drielaags diagnostisch framework en PRM-BiasBench introduceren om deze zwaktes te kwantificeren en op te lossen.
Dit artikel toont aan dat het Transformer-model, dat gebruikmaakt van zelf-attentie, superieure prestaties levert voor het voorspellen van kortetermijnstroomverbruik in vergelijking met traditionele statistische modellen en andere deep learning-architecturen zoals ARIMA, LSTM en BiLSTM.
Dit survey biedt een uitgebreide review van Flow-GRPO, een raamwerk dat Group Relative Policy Optimization uitbreidt naar generatieve modellen om hun output effectief af te stemmen op menselijke voorkeuren en specifieke doelen via methodologische verbeteringen en toepassing in diverse domeinen.
Dit artikel introduceert Exploration Space Theory, een formeel raamwerk dat Kennisruimte-theorie vertaalt naar locatiegebaseerde aanbevelingssystemen om via een distributieve roosterstructuur en Birkhoff's representatiestelling wiskundig gegarandeerde, logisch onderbouwde en verklaarbare routes voor bezoekers te genereren.
Dit artikel presenteert een collectieve leer-methode op basis van Graph Convolutional Networks die de onderlinge afhankelijkheden tussen aangrenzende wegsecties benut om ontbrekende wegconditiegegevens effectief te imputeren, wat leidt tot betere resultaten dan bestaande methoden.
Dit paper introduceert Grouter, een methode die routering ontkoppelt van weegupdates door structurele priors te distilleren, waardoor MoE-training aanzienlijk sneller converteert en tot 33,5% meer doorvoersnelheid bereikt.
Dit paper introduceert T-REX, een transformer-gebaseerd model dat door het combineren van korte-termijn boodschappenmand-afhankelijkheden en lange-termijn gebruikersvoorkeuren, gepersonaliseerde categorie-voorstellingen genereert voor online supermarkten en significant betere prestaties boekt dan bestaande systemen.
Dit artikel introduceert een lekveilig protocol voor het extraheren van causale grafkenmerken uit tijdsafhankelijke transactienetwerken, dat als interpreteerbare aanvulling op transactie-attributen dient voor het detecteren van frauduleuze entiteiten met een hoge nauwkeurigheid.
Dit paper introduceert een nieuw onzekerheidsprincipe in het machine learning dat de onvermijdelijke degeneratie van Heaviside- en sigmoid-expansies beschrijft, waarbij scherpere minima leiden tot gladdere 'canyons' die steepest-descent-algoritmen in de val laten lopen, en benadrukt dat deze uitdagingen fundamenteel natuurkundig van aard zijn in plaats van puur informatica.
Deze studie toont aan dat de prestaties van kleine taalmodellen bij het afleiden van graf-eigenschappen sterk afhangen van de manier waarop relationele informatie wordt weergegeven en het gekozen redeneerstrategie, waarbij het behoud van buurstructuur en multi-branch redenering de betrouwbaarheid aanzienlijk verbeteren.
Dit paper introduceert SmartBench, het eerste dataset en benchmark voor het evalueren van de prestaties van grote taalmodellen bij het detecteren van abnormale toestanden in slimme huishoudens, waarbij de resultaten aantonen dat huidige state-of-the-art modellen hierin nog aanzienlijk tekortschieten.
Dit paper introduceert HEARTS, een unificerend benchmark voor het evalueren van het hiërarchische redeneervermogen van grote taalmodellen op diverse gezondheids-tijdsreeksen, en toont aan dat deze modellen momenteel aanzienlijk onderpresteren ten opzichte van gespecialiseerde modellen en worstelen met complexe temporele redenering.