8664 papers
Deze paper presenteert een robuuste, viewpoint-agnostische grijppijplijn voor mobiele benige manipulators die, door gebruik te maken van visuele taalmodellen en gedeeltelijke waarnemingen, taalgestuurde grijpacties in verwarde omgevingen mogelijk maakt met een succespercentage van 90%, aanzienlijk beter dan een bestaande view-dependent baseline.
Dit paper introduceert Sleep Replay Consolidation (SRC), een post-training methode die geïnspireerd is op biologische slaap om de betrouwbaarheid van voorspellingskansen in kunstmatige neurale netwerken te verbeteren zonder toezicht.
Dit artikel introduceert Hospitality-VQA, een nieuwe dataset en evaluatieframework voor informativiteit, om te onderzoeken hoe Vision-Language Models beslissingsgerelateerde vragen over hotelvoorzieningen kunnen beantwoorden en hoe domeinspecifieke finetuning de bruikbaarheid van deze modellen verbetert.
Dit paper introduceert het Contrastive Tensor Pre-training (CTP)-framework, dat door het vervangen van paarwijze vergelijkingen door een gezamenlijke tensorbenadering, een consistente en verenigde uitlijning van tekst, afbeeldingen en puntwolkdata realiseert voor verbeterde autonome rijprestaties.
Dit paper introduceert een theoretisch kader gebaseerd op deeltjesschermen (particle filtering) om de nauwkeurigheids-kostentrade-offs van inferentiemethoden voor grote taalmodellen die meerdere samples aggregeren en pruning toepassen, rigoureus te analyseren en fundamentele grenzen te identificeren.
Dit paper introduceert VLM-SubtleBench, een nieuw meetinstrument dat VLM's evalueert op hun vermogen om subtiele verschillen in diverse domeinen zoals industrie en medische beeldvorming te onderscheiden, en blootlegt dat er nog een aanzienlijke kloof bestaat tussen model- en menselijke prestaties.
Dit artikel beschrijft een nieuw besluitvormingskader en een hybride AI-statistisch voorspellingsmodel voor de Indiase moesson, dat in 2025 operationeel werd ingezet om 38 miljoen boeren nauwkeurige, op maat gemaakte seizoensvoorspellingen te bieden voor betere landbouwbeslissingen.
Dit paper introduceert SMGI, een structurele theorie voor algemeen kunstmatige intelligentie die leren herkijkt als de gecontroleerde evolutie van het leerinterface en bewijst dat bestaande methoden zoals versterkend leren en empirisch risicominimalisatie beperkte instanties zijn van dit uitgebreide raamwerk.
Het paper introduceert LeJOT-AutoML, een door LLM-agenten aangedreven AutoML-framework dat automatisch complexe runtime-kenmerken genereert voor het voorspellen van uitvoeringstijden in Databricks, waardoor de feature-engineeringcyclus van weken naar minuten wordt teruggebracht en de kosten met 19,01% worden verlaagd.
Dit artikel introduceert E²OAL, een unified en detector-vrij raamwerk voor open-set actief leren dat gelabelde onbekende klassen effectief benut via label-gestuurde clustering en Dirichlet-gecalibreerde hulpkoppen om zowel de nauwkeurigheid als de efficiëntie te verbeteren zonder de hoge trainingskosten van bestaande methoden.
Dit artikel introduceert een Bayesiaanse Transformer die drie onzekerheidsmechanismen combineert om in slimme netten nauwkeurige, goed gekalibreerde probabilistische lastprognoses te genereren die robuust zijn onder extreme weersomstandigheden en de prestaties van bestaande modellen aanzienlijk verbeteren.
Dit paper introduceert NaviDriveVLM, een gefragmenteerd framework dat redenering en bewegingsplanning voor autonoom rijden ontkoppelt via een grote Navigator en een lichte Driver, waardoor het de prestaties van bestaande visueel-taalmodellen op de nuScenes-benchmark verbetert terwijl de trainingskosten worden verlaagd.
DyQ-VLA is een dynamisch kwantisatiekader voor Vision-Language-Action-modellen dat tijdsafhankelijke gevoeligheid benut om de geheugenvoetafdruk met 69,1% te verminderen en de snelheid te verhogen, terwijl 99,5% van de oorspronkelijke prestaties behouden blijft.
Dit paper introduceert Rel-MOSS, een relationeel deep learning-model dat het probleem van class imbalance in relationele databases aanpakt door een relation-gestuurde over-sampling-methode te gebruiken die de prestaties significant verbetert ten opzichte van bestaande methoden.
Deze paper introduceert een robuust transfer learning-raamwerk dat gebruikmaakt van zijinformatie om schattingen van overgangskernen te verbeteren en conservatieve beleidsplannen te verminderen, wat leidt tot superieure prestaties in doeldomeinen met omgevingsverschillen.
Dit paper introduceert een AI-gedreven framework dat SQL-gebaseerde metriekdefinities analyseert met behulp van CodeBERT en XGBoost om privacyrisico's in geaggregeerde gezondheidsdata proactief te detecteren en te verklaren, waardoor veilige en compliance-vriendelijke data-governance tussen verschillende afdelingen mogelijk wordt.
Dit paper introduceert ELLMob, een zelf-gealigneerd LLM-framework dat menselijke mobiliteit genereert die zowel gewoontes als gebeurtenisgerelateerde beperkingen respecteert, en presenteert het eerste dataset met gebeurtenisannotaties voor drie grote wereldwijde gebeurtenissen.
De auteurs ontwikkelen een versterkingsleer-pipeline die knoopdiagrammen vereenvoudigt en succesvol toepast op zeer moeilijke ontknoopte knopen en de verbinding , waarbij de recent vastgestelde bovengrens van drie voor het ontknooptal wordt bevestigd.
Dit artikel introduceert PSTNet, een lichtgewicht neurale netwerkarchitectuur die fysische principes direct in zijn structuur verwerkt om atmosferische turbulentie in real-time en met hoge nauwkeurigheid te schatten op beperkte hardware, waardoor het een effectief alternatief biedt voor bestaande methoden in veiligheidskritieke vliegtuigsturingssystemen.
Dit paper introduceert Local Constrained Bayesian Optimization (LCBO), een nieuw raamwerk dat de vervlochtenheid van hoge dimensies en complexe beperkingen effectief aanpakt door lokale afdaling en exploratie te combineren, wat resulteert in een polynoomiale convergentiesnelheid en superieure prestaties ten opzichte van bestaande methoden.