8660 papers
Dit artikel toont aan dat te snel afnemende stapgroottes in gretige algoritmen voor sparsere leerproblemen, zelfs in laagdimensionale settings, leiden tot structurele stagnatie door over-decay en feature coherentie.
Dit paper introduceert Deep Incentive Design (DID), een nieuw differentieerbaar framework dat game-agnostische differentieerbare evenwichtsblocks (DEBs) gebruikt om complexe prikkeldesignproblemen in economie en informatica, zoals contractontwerp en machineschema's, effectief op te lossen.
Deze paper introduceert Reverse Distillation, een raamwerk dat de representaties van grote eiwit-taalmodellen ontleedt in geneste orthogonale subruimtes om de vaak tegenstrijdige schaalwetten op te lossen en consequent betere prestaties te behalen dan kleinere modellen of de oorspronkelijke baselines.
Dit paper introduceert een lichtgewicht Model Predictive Control-framework voor merkadvertenties dat gebruikmaakt van online isotone regressie om complexe modellen te vermijden en zo de bestedings-efficiëntie en kostenbeheersing in realtime biedingen significant verbetert.
Dit paper introduceert FedShift, een innovatieve twee-traps "Verstop en Zoek"-aanval op Federated Graph Learning die door het injecteren van een verborgen "shifter" en het benutten van globale modelinformatie, een uiterst effectieve, stealthy en efficiënte methode biedt om bestaande verdedigingsmechanismen te omzeilen.
Deze paper introduceert Uncertainty-Gated Generative Modeling (UGGM), een methode die onzekerheid gebruikt als interne regeling om financiële tijdsreeksvoorspellingen robuuster te maken en de foutmarge aanzienlijk te verkleinen, zelfs tijdens marktshocks.
Dit paper introduceert GANRA, een nieuwe SMT-oplosser die Large Language Models en GPU-versnelling combineert om kwantorenvrije niet-lineaire reële rekenproblemen aanzienlijk sneller en effectiever op te lossen dan de huidige stand van de techniek.
Dit paper introduceert MicroCoder-GRPO, een verbeterde RL-methode met innovaties zoals conditionele truncatie en diversiteitsgestuurde temperatuurkeuze, samen met een uitdagender dataset en robuustere evaluatie, die trainingsbottlenecks voor coderingsmodellen effectief oplost en aanzienlijke prestatieverbeteringen op LiveCodeBench v6 oplevert.
Deze paper introduceert een methode die neurale differentiaalvergelijkingen en maximum-likelihood schatting op tijdsafhankelijke metingen combineert om de dynamische generator van open kwantumsystemen (Lindbladian learning) robuust en interpreteerbaar te leren, zelfs bij hoge ruis en voor systemen tot zes qubits.
Dit paper introduceert MicroCoder, een zorgvuldig samengesteld dataset van recente en uitdagende programmeerproblemen die via een geautomatiseerd vierstapsverwerkingsframework is gefilterd op moeilijkheidsgraad, en waaruit blijkt dat het trainen van coderingsmodellen hierop leidt tot aanzienlijk betere prestaties op complexe taken vergeleken met bestaande datasets.
ProgAgent is een doorlopende versterkingsleer-agent die catastrofale vergeeting en hoge kosten voor beloningsspecificatie aanpakt door ongelabelde expertvideo's te gebruiken voor het afleiden van progreseergerichte beloningen, gecombineerd met een JAX-native architectuur voor stabiele en snelle robotleer.
Deze paper onderzoekt het verlies van plasticiteit bij Vision Transformers, onthult dat bestaande herinitialisatiemethoden onvoldoende werken, en introduceert ARROW, een geometrie-bewuste optimizer die het vermogen om nieuwe taken te leren effectief behoudt door gradiënten adaptief aan te passen.
Dit artikel toont aan dat een enkele, tijdsvariërende kostenfunctie, geschat met het MO-IRL-algoritme, menselijke reikbewegingen nauwkeurig kan voorspellen en ondersteunt het bestaan van een universeel optimaliteitsprincipe dat onafhankelijk is van het individu of de houding.
Dit artikel presenteert een nieuw deep-learning-framework voor precoding in MU-MISO-systemen dat gebruikmaakt van complexe projectieve ruimtes om fase-redundanties te elimineren, wat leidt tot aanzienlijke verbeteringen in de som-rate en generalisatie ten opzichte van conventionele methoden.
Dit artikel presenteert een methode om met behulp van Physics Informed Neural Networks en orthogonale hoofdcomponentenanalyse een robuuste, laagdimensionale inbedding te construeren voor de oplossingsruimte van de niet-lineaire Burgers-vergelijking, waarbij een klein aantal latentemodes de dominante dynamische kenmerken effectief vastlegt.
Dit onderzoek toont aan dat voor de regressie van graslandbiomassa op beperkte landbouwdata, de kwaliteit van de vooraf getrainde backbone (zoals DINOv3) en eenvoudige lokale fusiemodules cruciaal zijn, terwijl complexe architecturen zoals cross-view attention en SSMs juist slechter presteren.
Deze paper introduceert een nieuw transfer learning-framework dat door middel van twee bi-niveau optimalisatiestappen een universele feature-extractor en een domeinspecifieke adapter combineert om hoogwaardige beelden te reconstrueren, zelfs bij beperkte trainingsdata zoals bij onderbemonsterde MRI-scans.
Dit paper introduceert Gradient Iterated Temporal-Difference learning, een nieuw algoritme dat de stabiliteit van gradient TD-methoden verbetert door de gradiënten over bewegende doelen te berekenen, waardoor het voor het eerst een concurrerende leersnelheid bereikt ten opzichte van semi-gradiënt-methoden op benchmarks zoals Atari-games.
Dit paper introduceert een lichtgewicht, gradient-vrije methode voor zero-shot geleiding van diffusiemodellen die de rekenkosten voor Bayesiaanse inverse problemen drastisch verlaagt terwijl het tegelijkertijd de beste prestaties levert.
Dit artikel introduceert ReGEN-TAD, een interpreteerbaar generatief raamwerk dat moderne machine learning combineert met econometrische diagnostiek om structurele instabiliteit en anomalieën in hoogdimensionale financiële tijdreeksen te detecteren zonder gebruik van gelabelde data.