8763 papers
Dit paper introduceert PolarBear, een raamwerk dat Bayesiaanse racing en rangschikkingen gebruikt om Pareto-optimale anytime-algoritmen te identificeren zonder normalisatie of bekende optima, waardoor een robuuste vergelijking en selectie mogelijk is onder onbekende computatiebudgetten.
Deze paper introduceert een efficiënte methode genaamd 'decalibration' om credale voorspellingen te genereren voor complexe modellen zoals foundation models, waardoor onzekerheid op een rekenkundig haalbare manier kan worden weergegeven zonder het noodzakelijke hertrainen van modelensembles.
Het artikel introduceert Echo2ECG, een multimodaal zelftoezichtend leerframework dat ECG-representaties verrijkt met morfologische informatie uit multi-view echocardiogrammen, waardoor de prestaties bij het voorspellen van structurele hartafwijkingen en het terugvinden van vergelijkbare echo-onderzoeken aanzienlijk verbeteren ten opzichte van bestaande methoden.
Dit paper introduceert Oracle-Guided Soft Shielding (OGSS), een framework dat de veiligheid en prestaties van schaakagents verbetert door een blundervoorspellingsmodel te combineren met een beleidsmodel, waardoor veilige exploratie mogelijk wordt zonder tactische fouten.
Deze paper introduceert een Natural Policy Gradient-algoritme met een multi-level Monte Carlo-schatter dat de inherente bias in concave multi-objective reinforcement learning overwint en zo de optimale steekproefcomplexiteit bereikt.
Deze paper introduceert \texttt{GlobAlign} en \texttt{GlobAlign-E}, nieuwe onbewaakte methoden voor grafalignement die een nieuw 'globale representatie en uitlijning'-paradigma hanteren om de nauwkeurigheid en efficiëntie aanzienlijk te verbeteren ten opzichte van bestaande technieken.
Dit paper introduceert ProReFF, een model dat ongelabelde waarnemingen gebruikt om probabilistische relatieve kenmerken te leren en zo robotagents in staat stelt om objecten in onbekende omgevingen 20% efficiënter te vinden dan bestaande methoden en tot 80% van het menselijke niveau te bereiken.
Dit artikel introduceert de Interactive World Simulator, een framework dat consistentiemodellen gebruikt om snelle en fysiek consistente wereldmodellen te bouwen die dienen als betrouwbaar surrogaat voor het schaalbaar trainen en evalueren van robotbeleidsstrategieën.
Dit artikel introduceert Generative Adversarial Regression (GAR), een raamwerk dat conditionele risicoscenario's leert door generatoren te trainen die via een minimax-formulering de risicoprofielen van werkelijke data onder diverse beleidsstrategieën nabootsen, wat resulteert in robuustere en meer accurate risico-inschattingen dan bestaande methoden.
Deze paper toont aan dat de kwaliteit van compacte toestandsrepresentaties in versterkend leren, die zijn gebaseerd op Laplaciaan-eigenvectoren, direct wordt beïnvloed door de algebraïsche connectiviteit van de overgangsgrafiek, en levert een volledige foutanalyse voor zowel de benadering als de schatting van deze eigenschappen.
Dit paper introduceert een wiskundig raamwerk waarin vertrouwen wordt gebaseerd op de 'overtuiging' van bronnen – de kans dat hun standpunten worden bevestigd door onafhankelijke consensus – en toont aan dat continue verificatie en reputatie de enige robuuste basis vormen voor vertrouwen in foutgevoelige AI-agenten.
Het artikel introduceert Drift2Act, een controller die monitoring van machine learning-systemen omvormt tot een veilig, budgetbewust beslissingsproces door online risicocertificaten te gebruiken om bij drift automatisch de juiste interventies te selecteren.
Dit paper introduceert DualFlexKAN, een flexibel tweestapsarchitectuur die de beperkingen van traditionele Kolmogorov-Arnold-netwerken (KANs) oplost door onafhankelijke controle over transformaties en activaties te bieden, waardoor een hybride model ontstaat dat met aanzienlijk minder parameters superieure nauwkeurigheid en convergentie bereikt dan zowel MLPs als standaard KANs.
Deze paper introduceert twee nieuwe streaming-deep-RL-algoritmen, S2AC en SDAC, die ontworpen zijn voor opslagvriendelijke, online updates en prestaties leveren die vergelijkbaar zijn met geavanceerde batch-methoden, waardoor ze ideaal zijn voor finetuning op apparaten en Sim2Real-overdracht.
Dit paper introduceert MAGIC Net, een nieuwe aanpak voor streaming continue learning die recurrente neurale netwerken combineert met CL-architectuurstrategieën om tijdsafhankelijkheid te beheersen, conceptdrift aan te pakken en cataclysmisch vergeten te beperken.
Deze paper leidt integraalformules af voor het Vector Spherical Tensor Product dat door Xie et al. is geïntroduceerd, waardoor efficiënte implementaties voor -equivariante neurale netwerken mogelijk worden met een aanzienlijke reductie in rekentijd.
Dit paper introduceert PostTrainBench, een benchmark die toetst in hoeverre autonome AI-agenten het post-trainingproces van grote taalmodellen kunnen automatiseren binnen beperkte rekenkracht, waarbij ze ondanks aanzienlijke vooruitgang vaak achterblijven bij gespecialiseerde modellen maar wel specifieke risico's zoals beloningshacking vertonen.
Dit paper introduceert RAF (Retrieval-Augmented Faces), een trainingsverrijkingstechniek voor template-vrije hoofd-avatars die door het tijdens training vervangen van gezichtsuitdrukkingsfeatures door geretrieveerde buren uit een grote databank de generalisatie van expressies verbetert zonder extra annotaties of architecturale wijzigingen.
Deze paper introduceert een nieuwe methode voor het uitbreiden van pre-getrainde modellen zonder hun oorspronkelijke kennis te verliezen, waardoor het mogelijk is om gespecialiseerde taken te leren zonder de prestaties op de oorspronkelijke taken te schaden.
Dit artikel introduceert een intrinsieke maatstaf voor heterogeniteit in trainingsdata, gebaseerd op variantie, die het mogelijk maakt om de data in blokken te partitioneren en zo de testnauwkeurigheid aanzienlijk te verbeteren.