2316 papers
Dit artikel introduceert CDGLT, een trainings-efficiënt framework voor multimodaal metafoorherkenning dat gebruikmaakt van conceptdrift en LayerNorm-tuning om de kloof tussen letterlijke en figuurlijke interpretaties te overbruggen en state-of-the-art prestaties te behalen op de MET-Meme-benchmark.
Dit paper introduceert Stepwise Guided Policy Optimization (SGPO), een framework dat het probleem van volledig negatieve steekproefgroepen in GRPO oplost door gebruik te maken van een stapsgewijze beoordelaar voor diversiteit, waardoor het model effectief kan leren van fouten zonder dat de beoordelaar zelf correcte oplossingen hoeft te genereren.
Dit paper introduceert de Gaussian-Multinoulli Restricted Boltzmann Machine (GM-RBM), een energiegebaseerd generatief model dat de standaard GB-RBM uitbreidt met q-staats categorische (Potts) verborgen eenheden om discrete, gestructureerde representaties te leren, en toont aan dat dit model bij gelijke capaciteit concurrerende of betere resultaten bereikt op analogie- en geheugenopdrachten vergeleken met binaire latente modellen.
Dit paper introduceert JULI, een methode die zwarte-doos Large Language Models via een plug-in genaamd BiasNet en manipulatie van token-logkansen, zelfs met slechts de top-5 voorspellingen, succesvol kan omzeilen zonder toegang tot modelgewichten.
Dit artikel introduceert een nieuwe methode voor het ontdekken van symbolische differentiaalvergelijkingen uit data door het gebruik van symmetrie-invarianten als atomaire eenheden, wat ervoor zorgt dat de gevonden vergelijkingen fysische wetten eerbiedigen en de zoekruimte efficiënter wordt.
Dit paper introduceert UltraEdit, een trainings-, onderwerp- en geheugenloze methode voor het levenslang bijwerken van taalmodellen die aanzienlijk sneller en minder geheugenintensief is dan bestaande technieken, waardoor het zelfs op consumentenhardware mogelijk wordt om miljoenen bewerkingen uit te voeren zonder bestaande vaardigheden te verliezen.
Deze studie introduceert een systematische methode om on-device LLM's te evalueren en concludeert dat zwaar gekwantiseerde grotere modellen vaak beter presteren dan kleinere, hogere precisie-modellen, met een prestatiedrempel van ongeveer 3,5 bits per gewicht.
Het paper introduceert SATURN, een reinforcement learning-framework dat gebruikmaakt van Boolean Satisfiability-problemen om de redeneercapaciteit van grote taalmodellen schaalbaar, verifieerbaar en met gecontroleerde moeilijkheidsgraad te trainen via een curriculum learning-aanpak.
Het paper introduceert FrontierCO, een uitgebreid benchmark voor het evalueren van machine learning-oplossers voor combinatorische optimalisatie op realistische, industriële schaal, waarbij een aanhoudende prestatiekloof wordt aangetoond ten opzichte van klassieke methoden, hoewel er specifieke scenario's zijn waarin ML-methoden beter presteren.
Dit artikel biedt een systematische review van de integratie van fundamentele modellen in mobiele service-robots, waarbij de huidige uitdagingen, praktische toepassingen, ethische implicaties en toekomstige onderzoeksrichtingen voor betrouwbare en adaptieve robotica in menselijke omgevingen worden belicht.
Deze paper introduceert SemiCP, een semi-superviserde methode voor conformele voorspelling die ongelabelde data via een 'Nearest Neighbor Matching'-score benut om de stabiliteit en dekking van voorspellingen te verbeteren wanneer gelabelde data schaars is.
Dit artikel introduceert het 'Sticky-Sequence Track-and-Stop'-framework voor zuivere exploratieproblemen met oneindig veel mogelijke antwoorden, wat leidt tot asymptotische optimaliteit waar bestaande methoden tekortschieten.
Dit paper introduceert TSRating, een uniek raamwerk dat meta-learning en Large Language Models combineert om de kwaliteit van tijdreeksdata uit diverse domeinen nauwkeurig en efficiënt te beoordelen.
Dit paper introduceert CORA, een methode voor credit assignment in multi-agent reinforcement learning die gebruikmaakt van coöperatieve speltheorie en kernallocatie om agenten effectiever te belonen op basis van hun coalitiële bijdragen, wat leidt tot verbeterde gecoördineerde prestaties.
Deze paper introduceert twee nieuwe modelvrije algoritmen, Q-EarlySettled-LowCost en FedQ-EarlySettled-LowCost, die voor het eerst tegelijkertijd bijna-optimale regret, lineaire opstartkosten en logaritmische schakel- of communicatiekosten bereiken in single-agent en federatief versterkend leren.
Dit artikel introduceert ChannelTokenFormer, een Transformer-gebaseerd raamwerk dat tegelijkertijd complexe kanaalafhankelijkheden, asynchrone bemonstering en ontbrekende waarden aanpakt om robuuste multivariate tijdreeksvoorspellingen in real-world scenario's mogelijk te maken.
Dit paper introduceert WAFFLE, een algoritme dat gebruikmaakt van Wavelet Scattering en Fourier-transformaties om schadelijke clients in Federated Learning te detecteren voordat het trainingsproces begint, zonder toegang tot de ruwe data.
Dit paper introduceert het MIC-model, een methode op basis van gemengde tijdsgebonden processen die gezamenlijke interacties tussen gebruikers en informatie-cascades in sociale netwerken modelleert en hiermee superieure prestaties en inzichten biedt ten opzichte van bestaande methoden.
Dit paper introduceert ConLID, een methode voor superviserend contrastief leren die de taalidentificatie voor taakarme talen op domein-onafhankelijke data significant verbetert zonder de prestaties voor talen met veel data te verstoren.
Dit artikel bewijst dat een variant van Iteratively Reweighted Least Squares (IRLS) met dynamische regularisatie onder deterministische voorwaarden lineair convergeert naar de onderliggende deelruimte, waarmee voor het eerst globale convergentie wordt gegarandeerd voor IRLS in robuuste subspace recovery en niet-convexe optimalisatie op Riemanniaanse variëteiten.