8660 papers
Deze studie introduceert een conditioneel diffusion-transformer-framework dat, geleid door Hi-C contactkaarten, een ensemble van diverse driedimensionale 3D-genoomstructuren van *E. coli* genereert in plaats van één deterministische structuur.
Dit paper introduceert een nieuw transformer-ontwerp met architecturale stroomonafhankelijkheid, genaamd Late Fusion Architecture (LFA), dat interpretatie door ontwerp mogelijk maakt door symbolische en semantische informatie gescheiden te houden totdat de uitvoer, waardoor modellen minder afhankelijk worden van positiële heuristieken en meer van semantisch begrip.
Deze paper introduceert een robuust framework dat, door gebruik te maken van kanaalrespons-amplitudes, de beperkingen van bestaande bistatische draadloze sensorsystemen oplost en zo sub-golflengte bewegingsdetails met bijna een orde van grootte hogere nauwkeurigheid kan reconstrueren.
Dit paper introduceert een verbeterd Random Subspace Local Projections-framework dat door middel van gewogen aggregatie, adaptieve subspace-grootte en aangepaste bootstrap-inferentie robuuste impulsrespons-schattingen mogelijk maakt in hoogdimensionale tijdreeksen, waardoor overfitting wordt verminderd en de stabiliteit en betrouwbaarheid van de inferentie aanzienlijk worden verbeterd.
Dit paper introduceert BoT, het eerste framework dat bidirectionele model-schaalveranderingen (van klein naar groot en vice versa) verenigt door modelgewichten te behandelen als continue signalen en Discrete Wavelet-transformaties te gebruiken voor een parameterloze en rekenkundig efficiënte kennisoverdracht.
In dit artikel wordt OCLADS gepresenteerd, een nieuw communicatiekader voor continue leerprocessen dat IoT-afwijkingsdetectie in niet-stationaire omgevingen optimaliseert door slimme steekproefselectie op het apparaat en detectie van distributieveranderingen op de edge-server, wat resulteert in hoge nauwkeurigheid met minder modelupdates.
Dit paper toont aan dat driftmodellen een exacte score-matching formulering zijn op gekernelde verdelingen, waarbij de relatie met diffusion-modellen en Distribution Matching Distillation wordt verduidelijkt en de nauwkeurigheid voor Laplace-kernen wordt bewezen.
Deze studie presenteert een reinforcement learning-framework dat, met name via het PPO-algoritme, de schoonmaakplanning van zonnepanelen in aride gebieden zoals Abu Dhabi dynamisch optimaliseert om kosten te verlagen en de energie-efficiëntie te verhogen door te reageren op onzekere omgevingsomstandigheden.
Deze paper introduceert een privacybehoudend conformaal voorspellingframework dat gebruikmaakt van differentieel privacy om volledige datasets te benutten zonder splitsing, waardoor scherpere voorspellingssets worden verkregen dan bij bestaande methoden die op data-splitsing vertrouwen.
Dit paper introduceert FRONT, een trainingsvrij framework dat fundamentele modelkennis ("learngene") via frequentiedomeintransformatie isoleert en toepast om modellen van willekeurige schaal efficiënt te initialiseren, wat aanzienlijke verbeteringen in convergentiesnelheid en reductie van trainingskosten oplevert.
Dit paper introduceert een op neurale dynamiek gebaseerd voorgeöpleid raamwerk dat, in tegenstelling tot bestaande methoden, gepersonaliseerde hersenfunctionele netwerken construeert door neurale activiteitspatronen in heterogene scenario's nauwkeuriger te vangen, wat leidt tot superieure prestaties en generaliseerbaarheid.
Dit paper introduceert een data-gedreven surrogate-model dat convolutionele autoencoders combineert met neurale ODE's om laser-ontsteking van raketmotoren met meerdere orders van grootte sneller te voorspellen dan traditionele simulaties, waardoor efficiënte verkenning van het ontwerpruimte en real-time digitale tweelingen mogelijk worden.
Deze paper introduceert Obliviator, een iteratieve post-hoc methode voor conceptverwijdering die niet-lineaire statistische afhankelijkheden volledig vastlegt en zo de bescherming tegen niet-lineaire tegenstanders verbetert terwijl de afweging tussen nut en verwijdering wordt geoptimaliseerd.
DreamSAC is een nieuw kader dat extrapolatie in 3D-fysica verbetert door een agent te laten verkennen via symmetrie-ontdekking en een Hamiltoniaans wereldmodel te leren dat behoudswetten identificeert uit ruwe pixelobservaties.
Dit paper introduceert COOL-MC, een tool die probabilistische modelchecking en uitlegbare methoden gebruikt om te verifiëren en te verklaren hoe een reinforcement learning-beleid voor het onderhoud van een netwerk van drie bruggen presteert, waarbij een veiligheidsrisico van 3,5% en een systematische bias naar brug 1 worden geïdentificeerd.
Dit paper demonstreert dat een datacentrische aanpak met zorgvuldige preprocessing, klassenbalancering en een vereenvoudigde CNN-VAE-architectuur concurrerende prestaties bereikt bij de classificatie van ECG-signaalen op de PTB-XL-dataset, terwijl de modelcomplexiteit aanzienlijk wordt gereduceerd.
Het paper introduceert GRD-Net, een nieuw model voor industriële afwijkingdetectie dat een generatieve reconstructie-architectuur combineert met een discriminatieve module voor segmentatie van gebieden van belang, waardoor de afhankelijkheid van vooraf gedefinieerde voorverwerkingsalgoritmen wordt verminderd en de generalisatie op zowel synthetische als realistische industriële datasets wordt verbeterd.
Dit artikel toont aan dat de LiRA-membertijnsinferentie-aanval onder realistische omstandigheden, zoals anti-overfitting, transfer learning en onbalans in de prior, aanzienlijk minder effectief is dan eerder werd aangenomen, wat benadrukt dat privacy-audits realistische evaluatieprotocollen moeten hanteren.
Dit artikel introduceert een innovatieve generatieve neurale solver voor het voertuigrouteprobleem die een discrete ruisgrafiek-diffusiemodel combineert met autoregressieve methoden om een constraints-matrix te genereren, waardoor robuustheid en prestaties op diverse benchmarks aanzienlijk worden verbeterd.
Dit artikel presenteert een systematische vergelijking van vier trainingsdoelen voor het detecteren van out-of-distributie in beeldclassificatie en concludeert dat Cross-Entropy Loss over het algemeen de meest consistente prestaties levert, hoewel andere methoden in specifieke scenario's concurrerend kunnen zijn.