8581 papers
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.
Dit paper introduceert CREDO, een methode die credale enveloppen combineert met conformale kalibratie om voorspellingsintervallen voor regressie te genereren die zowel de onzekerheid door gebrek aan data expliciet weergeven als gegarandeerde dekking bieden.
Deze paper introduceert een nieuw raamwerk voor gezamenlijke 3D-zwaartekracht- en magnetische inversie dat rectified flow op de Noddyverse-dataset combineert met een Ginzburg-Landau-regularisator om de niet-uniekheid van het probleem op te lossen en een volledige verdeling van mogelijke ondergrondse oplossingen te modelleren.
Deze paper presenteert een epoch-gebaseerd algoritme dat de exacte minimax-regret voor contextuele bilaterale handel onder zwaarstaartige waarderingen met onbeperkte variantie karakteriseert, waarbij de prestaties interpoleren tussen de klassieke niet-parametrische snelheid en een triviale lineaire snelheid afhankelijk van het beschikbare moment.
Dit paper introduceert Contextual Counterfactual Credit Assignment (C3), een methode die de causaliteit van individuele berichten in multi-agent LLM-samenwerking isoleert door context-gebaseerde contrafactuele evaluatie, waardoor nauwkeurigere credit-toewijzing en betere prestaties worden bereikt dan bij bestaande baselines.
Dit paper introduceert IGLU, een nieuwe parametrische activeringsfunctie die voortkomt uit een schaalmengsel van GELU-poorten met een Cauchy-gebaseerde poort, en die door zijn zware staart en efficiënte benadering (IGLU-Approx) superieure of vergelijkbare prestaties levert ten opzichte van bestaande functies zoals ReLU en GELU, met name op onbalans datasets.
Het paper introduceert SymLang, een open-source framework dat door het combineren van symmetrie-gedwongen grammatica's, taalmodel-gestuurde programmasynthese en Bayesiaanse modelselectie, nauwkeurige en interpreteerbare wetenschappelijke vergelijkingen kan ontdekken uit ruwe, ruizige en gedeeltelijke observaties.