8686 papers
FoleyFlow introduceert een gecoördineerde video-naar-audio generatiemethode die via gemaskeerde audio-visuele uitlijning en dynamische conditionele flows zowel semantische als ritmische synchronisatie tussen video en gegenereerde audio verbetert.
Dit paper introduceert TRIAGE, een lichtgewicht framework dat onzekerheid in robotmanipulatie en adaptieve perceptie ontleedt in aleatorische en epistemische componenten om gerichte correcties te triggeren, wat leidt tot aanzienlijke verbeteringen in taaksucces en rekenefficiëntie.
Dit artikel presenteert een nieuwe, interpreteerbare methode voor conditiemonitoring van helikoptertransmissies die uitsluitend gezonde data gebruikt om via probabilistische afwijkingen en onzekerheidskwantificatie zeldzame storingen te detecteren en te voorspellen.
Dit paper introduceert SAGAD, een schaalbaar en adaptief raamwerk voor het detecteren van anomalieën in grafen dat homofilie-dispariteit op zowel knoop- als class-niveau aanpakt via efficiënte frequentie-extractie en adaptieve fusie, waardoor het superieure nauwkeurigheid en schaalbaarheid biedt ten opzichte van bestaande methoden.
Dit paper introduceert DARC, een retraining-vrije inferentiemethode die door middel van risicogebaseerde decodering en verdelingsrobuustheid de gevolgen van menselijke meningsverschillen vermindert en de stabiliteit van gealigneerde taalmodellen verbetert zonder de gemiddelde kwaliteit te verlagen.
Dit paper introduceert Eventax, een in JAX gebaseerd framework dat differentieerbare numerieke ODE-oplossers combineert met gebeurtenisgebaseerde spike-handling om exacte gradiënten te berekenen voor het trainen van spiking neurale netwerken met complexe neuronmodellen, waardoor de beperkingen van bestaande methoden worden opgeheven.
Deze paper introduceert C²FG, een trainingsvrije en plug-in methode die de Classifier-Free Guidance versterkt door de geleidingssterkte dynamisch af te stemmen op de diffusieprocessen via een exponentiële afname, gebaseerd op een theoretische analyse van de score-discrepantie.
Dit artikel betoogt dat de huidige evaluatiepraktijken voor langetermijnvoorspelling van tijdreeksen te zeer gefocust zijn op marginale verbeteringen in puntsgewijze foutmaten, en pleit voor een meerdimensionale benadering die statistische nauwkeurigheid, structurele coherentie en besluitvormingsrelevantie integreert om de aandacht te verschuiven van het winnen van benchmarks naar het bevorderen van zinvolle voorspellingen.
Dit artikel introduceert ALS-IRLS, een robuust algoritme dat de autocovariantie-kleinstekwadratenmethode voor Kalman-filterruis schatting uitbreidt met een tweestaps-strategie op basis van iteratief hergewogen kleinstekwadraten en Huber-kostfuncties om extreme uitbijters effectief te filteren en de schattingsnauwkeurigheid aanzienlijk te verbeteren.
Dit paper introduceert TIER, een methode die een impliciete hiërarchische taxonomie bouwt en integreert in de representatieleren van tekstrijke netwerken om zowel grove als fijne semantische structuren effectiever te modelleren dan bestaande methoden.
Dit paper introduceert Covenant-72B, een 72B-parameter taalmodel dat succesvol is voorafgetraind via de grootste tot nu toe uitgevoerde wereldwijde, gedecentraliseerde training met onbeperkte deelname via een live blockchain-protocol, waarbij het presteert op hetzelfde niveau als gecentraliseerde modellen.
Dit onderzoek toont aan dat continu redeneren in een latente ruimte, in tegenstelling tot expliciete Chain-of-Thought, aanzienlijk robuustere en efficiëntere meertalige redeneercapaciteiten biedt, vooral voor taakgebieden met beperkte bronnen en in zero-shot scenario's.
Dit paper introduceert ALOOD, een nieuwe methode die taalrepresentaties van een vision-language model gebruikt om LiDAR-gebaseerde 3D-objectdetectiesystemen in staat te stellen onbekende (out-of-distribution) objecten te herkennen als een zero-shot classificatietask, waardoor de veiligheidsrisico's van verkeerd vertrouwen in autonome rijsystemen worden verminderd.
Het artikel introduceert AutoAdapt, een geautomatiseerd end-to-end framework dat gebruikmaakt van een multi-agent debatsysteem en een LLM-gebaseerde surrogate (AutoRefine) om de complexe en kostbare handmatige domeinadaptatie van grote taalmodellen te stroomlijnen en de nauwkeurigheid aanzienlijk te verbeteren.
In dit artikel wordt SERQ voorgesteld, een methode voor post-training kwantisatie van grote taalmodellen die gebruikmaakt van salientie-bewuste foutreconstructie met een enkele laag-rang compensatiematrix om de nauwkeurigheid bij 4-bit inferentie aanzienlijk te verbeteren zonder de inferentielatentie significant te verhogen.
Dit artikel introduceert een hybride oplossingframework dat Real Options Analysis combineert met een Transformer-gebaseerde Proximal Policy Optimization-algoritme om onder onzekerheid en met spillovereffecten de optimale sequentiële uitbreiding van dienstgebieden te bepalen binnen capaciteitsbeperkingen.
Dit artikel pleit voor het verbeteren van bestaande benchmarks voor tabulaire foundation-modellen door het gebruik van proper scoring rules, zoals de CRPS, om probabilistische regressie te evalueren in plaats van alleen puntenschattingen, en benadrukt het belang van het afstemmen van deze modellen op de gekozen scorefunctie.
Dit onderzoek vergelijkt verschillende afstandsmetingen om verouderde gradiënten in asynchrone federatief leren beter te detecteren en te aggregeren, wat leidt tot robuustere en efficiëntere modeltraining onder heterogene en niet-IID-omstandigheden.
Dit artikel introduceert een Wiener Chaos Expansion-gebaseerde neurale operator met FiLM-modulatie die singulariteit in stochastische partiële differentiaalvergelijkingen, zoals het dynamische - en -model, nauwkeurig simuleert zonder renormalisatiefactoren.
Deze studie onthult dat jailbreaks in grote taalmodellen voortkomen uit een mechanische strijd tussen de inherente neiging van het model om tekst voort te zetten en de veiligheidsverdedigingen die door training zijn opgebouwd, waarbij de verplaatsing van een voortzettingstrigger de succeskans aanzienlijk vergroot.