8581 papers
Deze paper introduceert 'stochastische attention', een trainingsvrije methode die de bestaande attention-mechanismen uitbreidt tot een temperatuur-gestuurde steekproefverdeling via Langevin-dynamica, waardoor zowel exacte retrieval als diverse generatie mogelijk is zonder extra leerprocessen.
Deze studie introduceert een door fysica geïnspireerd AI-surrogaatmodel dat de simulatiesnelheid voor de retentieanalyse van ferro-elektrische verticale NAND-geheugens met meer dan 10.000 keer versnelt ten opzichte van traditionele TCAD-tools, terwijl de fysieke nauwkeurigheid behouden blijft.
Dit paper introduceert het Single-Pass Possibilistic Clustering (SPC)-algoritme, een efficiënte methode voor het clusteren van datastromen die niet-sferische clusters kan modelleren en gebruikmaakt van gedempte vensters en covariance union voor betrouwbare updates en het samenvoegen van clusterstatistieken.
Dit paper introduceert een nieuwe data-augmentatiemethode die Large Language Models stimuleert om CAD-programma's te genereren op basis van referentieoppervlakken en modelleringprocedures, waardoor de geometrische diversiteit en de overeenkomst met industriële ontwerpen aanzienlijk worden verbeterd.
Dit onderzoek toont aan dat het afdwingen van eerlijkheid in machine learning-systemen de uitkomsten voor benadeelde groepen kan verbeteren wanneer gevoelige kenmerken bekend zijn, maar in situaties waar deze onbekend zijn kan leiden tot "leveling down" waarbij beide groepen slechter af zijn, afhankelijk van de onderliggende verdeling van de data.
XGenBoost introduceert twee op XGBoost gebaseerde generatieve modellen voor het synthetiseren van tabulaire data van verschillende groottes, die door het benutten van de inherente eigenschappen van boom-ensemble-methoden betere resultaten leveren dan bestaande modellen met een lagere trainingskosten.
Dit paper introduceert DySECT, een dynamisch systeem dat een gesloten lus vormt waarbij een LLM gestructureerde informatie extrahert om een kennisbank op te bouwen die op zijn beurt weer wordt gebruikt om de extractiecapaciteiten van de LLM continu te verbeteren.
Dit paper introduceert CN-CBF, een effectieve methode die compositie en residuale neurale netwerken combineert met Hamilton-Jacobi-reachability om veilige robotnavigatie in dynamische omgevingen te garanderen met een tot 18% hogere succesratio dan bestaande methoden.
Het artikel introduceert NerVE, een unificerend spectrale raamwerk dat de dynamiek van eigenspectra in feed-forward netwerken van grote taalmodellen analyseert om te begrijpen hoe niet-lineariteiten en optimizerkeuzes de informatiestroom en generalisatie beïnvloeden.
Dit paper introduceert Swimba, een Switch Mamba-architectuur die expert-specialisatie in state space modellen mogelijk maakt via parameter-ruimte mixtures of experts om de rekencapaciteit te vergroten zonder de dominante recurrente kosten te verhogen.
Deze studie introduceert een fysiek consistente neurale netwerkbenadering voor het modelleren van Cosserat-elasticiteit in microgestructureerde media, waarbij de oplossingen worden gevalideerd aan de hand van afgeleide stabiliteitsvoorwaarden zoals quasiconvexiteit en de Legendre-Hadamard-ongelijkheden.
Dit paper introduceert 'Joint MDPs' (JMDPs) als een formalisme voor omgevingen met gekoppelde dynamica, waarbij een multi-action sample-overgangsmodel de gezamenlijke verdeling van tegenwerkelijke uitkomsten definieert en zo dynamic programming-algoritmen met convergentiegaranties mogelijk maakt voor hogere orde momenten van de return.
Deze studie toont aan dat DNA-embeddings van foundationmodellen kwetsbaar zijn voor modelinversie-aanvallen, waarbij gevoelige oorspronkelijke sequenties met succes kunnen worden gereconstrueerd, wat de urgentie benadrukt van privacybewust ontwerp voor Embeddings-as-a-Service-diensten.
Dit artikel toont aan dat grafveredeling als lichtgewicht voorverwerkingstap de prestaties van Graph Neural Networks op schaalbare grafen aanzienlijk kan versnellen, vaak met behoud of zelfs verbetering van de nauwkeurigheid.
Dit artikel toont aan dat post-training met policy gradients en outcome rewards een theoretisch optimale benadering biedt binnen het ondersteuningsgebied van het basismodel, maar dat het gebruik van process rewards noodzakelijk is om de exponentiële complexiteit te overwinnen en buiten dit gebied te generaliseren.
Chart-RL is een effectieve versterkingsleermethode die wiskundig verifieerbare beloningen gebruikt om multimodale modellen beter te laten generaliseren bij het begrijpen van diagrammen, waarbij de kwaliteit van de trainingsdata en de complexiteit van de taken belangrijker blijken te zijn dan de hoeveelheid data.
Deze paper introduceert een nieuwe imitatieleermethode die, gebaseerd op een fundamentele analyse van de dynamiek van viervoeters, in staat is om robuuste looppoliën voor viervoeters te trainen vanuit slechts enkele seconden demonstratie.
Dit artikel presenteert een SISA-gebaseerd framework voor machine unlearning dat de invloed van vergiftigde trainingsdata op de diagnose van inter-turn kortsluitfouten in transformatoren effectief verwijdert door alleen de aangetaste data-shards opnieuw te trainen, wat aanzienlijk minder tijd kost dan volledige hertraining terwijl de diagnose-accuraatheid behouden blijft.
Deze studie introduceert een topology-bewust versterkingsleerframework dat persistentiehomologie integreert om de herconfiguratie en lastafschijving in stroomdistributienetwerken tijdens storingen te optimaliseren, wat resulteert in een aanzienlijke verbetering van de energielevering en spanningsstabiliteit.
Dit paper introduceert Conditional Unbalanced Optimal Transport (CUOT), een robuust raamwerk voor conditionele generatieve modellering dat de gevoeligheid voor uitbijters in klassieke methoden oplost door de distributievastleggingsbeperkingen te versoepelen via Csiszár-divergentiestraffen, wat resulteert in een efficiënt en nauwkeurig model voor het genereren van data.