8461 papers
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.
Het artikel introduceert RECAP, een bio-geïnspireerde methode voor beeldherkenning die ongeleide reservoir-dynamica combineert met een lokaal Hebbiaans prototype-leesmechanisme om robuuste classificatie te bereiken zonder gebruik van backpropagation.
Deze paper onthult dat pruning-based unlearning in diffusion-modellen kwetsbaar is voor conceptherstel via een data- en trainingsvrije aanval, omdat de locaties van de verwijderde gewichten als bijkanaal fungeren die de gewiste concepten verraad.
Het artikel introduceert SR-TTT, een verbeterde Test-Time Training-architectuur die het probleem van vergeten cruciale informatie oplost door een verlies-gedreven, sparsere geheugenmechanisme toe te passen dat alleen onverwachte tokens naar een traditionele cache routeert, waardoor de O(1)-geheugenvoordeel behouden blijft terwijl de nauwkeurigheid bij exacte herinneringstaken wordt hersteld.
Dit artikel biedt een uitgebreide review van Quantum Deep Learning door een operationele definitie en taxonomie te presenteren, de theoretische principes en hardware-implementaties te analyseren, claims van quantumvoordeel kritisch te beoordelen, en een roadmap te schetsen voor de overgang van huidige demonstraties naar schaalbare, fouttolerante systemen.
Dit paper introduceert een vertrouwensbewust federatief leerframework dat een adaptief mechanisme voor het schalen en filteren van vertrouwen gebruikt om de interpretatie van botgenezing in e-Health te beveiligen tegen onbetrouwbare deelnemers en zo de modelintegriteit en voorspellingsprestaties te verbeteren.
Dit paper introduceert HURRI-GAN, een nieuw AI-gestuurd model dat fysieke simulaties van orkanen corrigeert met generatieve adversariale netwerken om de rekentijd te verkorten en nauwkeurige voorspellingen te genereren, zelfs op locaties waar geen meetstations aanwezig zijn.
Deze paper introduceert Geodesic Gradient Descent (GGD), een generieke en leerstap-grootte-vrije optimalisatie-algoritme dat de geometrie van objectief-functie-geïnduceerde oppervlakken beter benadert door lokale omgevingen te benaderen met n-dimensionale bollen, wat resulteert in aanzienlijke verbeteringen in testfouten en verlies ten opzichte van de Adam-algoritme.
Dit onderzoek toont aan dat de keuze van de grafconstructietechniek, met name de Gabriel-graf, een aanzienlijke impact heeft op de prestaties van een Graph Attention Network voor het detecteren van IoT-botnetten, waarbij deze methode een nauwkeurigheid van 97,56% bereikte vergeleken met andere technieken.
Dit paper introduceert PAG, een nieuw framework voor benaderde dichtstbijzijnde buurzoekopdrachten dat projectietechnieken integreert in een grafindex om tegelijkertijd hoge query-efficiëntie, snelle indexering, een beperkt geheugengebruik en schaalbaarheid te bieden, wat resulteert tot vijf keer snellere prestaties dan HNSW.
Dit paper introduceert EnsAug, een trainingsparadigma dat een ensemble van specialistische modellen gebruikt, waarbij elk model is getraind op een unieke geometrische augmentatie, om de prestaties en modulariteit bij de analyse van menselijke bewegingssequenties te verbeteren ten opzichte van de traditionele aanpak van één model op een gecombineerd dataset.
Het paper introduceert HyperTokens, een transformer-gebaseerde token-generator die voortdurend video-taalbegrip verbetert door dynamische prompts te genereren en meta-geïnspireerde regularisatie te gebruiken om vergeten te voorkomen en de prestaties op benchmarks te maximaliseren.
Dit paper introduceert ERP-RiskBench, een reproduceerbaar en lekveilig ensemble-leerframework voor het detecteren van financiële risico's in ERP-systemen, dat door middel van strikte validatieprotocollen en een hybride dataset de prestaties van eerdere studies corrigeert en procurement-controles als belangrijkste voorspellers identificeert.
De auteurs presenteren een onbewaakte CNN-autoencoder met een gewogen spectrale hoekafstand (WSAD) voor het automatisch ontwarren van micro-IR spectroscopische beelden van historische olieverfschilderingen, zoals de Ghentse Altaarstuk, om de interpretatie van complexe materiaalmengsels te versnellen en te objectiveren.
Dit artikel toont aan dat Graph Neural Networks (GNNs) de traditionele TabNet-modellen overtreffen bij het schatten van het impuls van muonpartikels in het CMS-experiment, waarbij de dimensie van de knoopkenmerken een cruciale rol speelt voor de efficiëntie.
Dit artikel introduceert een hybride model dat Few-Shot Learning combineert met Explainable AI om plantenziekten bij maïs, rijst en tarwe ook bij beperkte data nauwkeurig te diagnosticeren en transparante inzichten te bieden.
Dit paper introduceert PRPO, een trainingsmethode die conflicten tussen beloningssignalen en data oplost, en MCDR-Bench, een objectieve evaluatiebenchmark, om de diepe analysecapaciteiten van LVLMs voor diagrammen systematisch te verbeteren.
Deze paper introduceert een plug-and-play strategie die Monte-Carlo-steekproeven en een extra achterwaartse stap combineert om de schattingsfouten bij stochastische differentiaalvergelijkingen te verminderen, waardoor de geleide generatie van afbeeldingen en andere data in diverse toepassingen significant verbetert.
Dit artikel introduceert een nieuw, onbewaakt leerframework dat convolutiefilters en neurale netwerken gebruikt om ruisige ionenstraalbeelden te reconstrueeren en zo de resolutie van straalhalo's aanzienlijk verbetert zonder trainingsdata.
Dit artikel introduceert Soft Equivariance Regularization (SER), een plug-in regularisatiemethode die invariance en equivariantie in zelftoezichtend leren ontkoppelt door equivariantie op een tussenlaag af te dwingen, wat leidt tot verbeterde prestaties op ImageNet en robuustheid tegen geometrische verstoringen zonder extra voorspellingskoppen.