9128 papers
Het artikel introduceert DFIR-DETR, een transformer-gebaseerde detector die de prestaties bij het detecteren van kleine objecten in complexe scènes verbetert door dynamische content-aggregatie, normbehoudende feature-pyramides en frequentiedomein-iteratieve verfijning te combineren om hoge-frequentie randinformatie te behouden.
Deze paper introduceert een methode die reactiepaden visualiseert en valideert door ze te projecteren op een tweedimensionale RMSD-ruimte met een kleurgecodeerd energiesurface, waardoor complexe structurele herschikkingen en vergelijkingen tussen verschillende optimalisatiemethoden mogelijk worden.
Dit artikel introduceert een nieuw raamwerk dat submodulaire subsetselectie combineert met onzekerheidsschatting om de robuustheid en betrouwbaarheid van visuele uitlegbare methoden te verbeteren onder distributieveranderingen zonder extra training.
Dit paper introduceert een nieuwe, op Individual Conditional Expectation (ICE) gebaseerde methode voor globale gevoeligheidsanalyse die interactie-effecten beter vastlegt dan traditionele Partial Dependence Plots en dit valideert door middel van wiskundige bewijzen en toepassing op diverse engineeringproblemen.
Dit artikel introduceert een nieuwe patch-gebaseerde topologische data-analyse-methode voor CT-beelden die, vergeleken met bestaande cubische complex-algoritmen en radiomische kenmerken, zowel de classificatieprestaties aanzienlijk verbetert als de rekentijd verlaagt.
Dit paper introduceert Hyper++, een nieuw hyperbolisch deep reinforcement learning-agent dat door middel van feature regularisatie, een categorische verliesfunctie en een optimalisatievriendelijke netwerklagen-structuur de instabiliteit bij het trainen oploost en superieure prestaties levert ten opzichte van bestaande methoden.
Het paper introduceert CARE, een post-training framework dat fouten in multimodale redenering omzet in leerkracht door een contrastief verankerd doel en reflectie-gestuurde hersampling te combineren, wat leidt tot significante prestatieverbeteringen ten opzichte van bestaande methoden zoals GRPO.
Dit paper introduceert LLMTM, een benchmark voor het analyseren van temporele motieven in dynamische grafen met grote taalmodellen, en presenteert een structureel bewuste dispatcher die de nauwkeurigheid van een krachtig agent behoudt terwijl de operationele kosten worden verlaagd.
Deze paper introduceert MDENeRF, een iteratief framework dat monokulaire diepteschattingen verfijnt door Bayesiaanse fusie toe te passen op een globale monokulaire prior en gedetailleerde, onzekerheidsgebaseerde dieptedata van Neural Radiance Fields.
Dit paper introduceert een end-to-end framework voor audio-visuele spraakherkenning dat ruisbestendigheid bereikt door spraakverbetering en een Conformer-gebaseerde fusie te gebruiken zonder expliciete maskers, waardoor semantische informatie beter behouden blijft dan bij eerdere methoden.
Deze paper introduceert een methode voor domein-invariante representaties door geoptimaliseerde transportplannen te interpreteren als binaire grafen en deze via spectrale embedding te analyseren, wat leidt tot robuuste prestaties bij taken zoals muziekgenreherkenning en defectdetectie in elektrische kabels.
Dit paper presenteert een robuust neuromorfisch platform voor machine learning dat gebruikmaakt van lineaire optische middelen en interferometrie om niet-lineariteit te realiseren via faseverschuivingen, waardoor zowel *in situ* inferentie als training mogelijk is met hoge weerstand tegen fotoverlies.
Dit paper introduceert CELM, het eerste foundationmodel dat neurale signalen van langdurige EEG-opnames direct vertaalt naar klinische rapporten en daarmee de prestaties van generatiemodellen aanzienlijk verbetert.
Deze studie presenteert een volledig optische, diepe neuromorfe netwerkarctitectuur die online, ongesuperviseerde Hebbiaanse leer mogelijk maakt via niet-vluchtige faseveranderingsmaterialen, wat resulteert in een 100% herkenningspercentage voor letters zonder inefficiënte optisch-elektrisch-optische conversies.
ZK-HybridFL is een beveiligd, decentraal federatief leerframework dat een DAG-ledger combineert met zero-knowledge bewijzen en sidechains om privacy-bewuste modelvalidatie te bieden, wat resulteert in snellere convergentie, hogere nauwkeurigheid en betere weerstand tegen aanvalsen vergeleken met bestaande methoden.
Dit artikel introduceert EDIS, een diagnostische methode die de tijdsverloop van entropie in grote taalmodellen analyseert om onstabiele patronen in redeneerprocessen te detecteren en zo de nauwkeurigheid van redenering te verbeteren.
Dit paper introduceert Latent Exploration Decoding (LED), een trainingsvrije decodingstrategie die de onbedoelde exploratie-inzinking bij Large Reasoning Models na post-training oplost door het selecteren van dieptec configuraties met maximale entropie op basis van tussenlagen, waardoor de nauwkeurigheid op redeneerbenchmarks aanzienlijk verbetert.
Deze studie toont aan dat bestaande methoden voor het auditen van AI-uitlijning kwetsbaar zijn voor strategische misleiding, aangezien een geautomatiseerde red-team-pipeline succesvol prompts genereerde die zowel black-box- als white-box-audits misleiden tot foutieve conclusies over verborgen doelen.
Het paper introduceert LaPha, een methode die AlphaZero-achtige LLM-agents traint in een hyperbolische Poincaré-ruimte om via boomzoekprocessen en procesbeloningen de wiskundige redeneerprestaties aanzienlijk te verbeteren.
Dit artikel introduceert een protocollaire 'pre-synthesis gate' om de betrouwbaarheid van salientiekaarten voor siRNA-voorspelling te valideren, waarbij het aantoont dat dergelijke validatie essentieel is om onopgemerkte faalmodi te detecteren en dat een biologisch geïnformeerde regularisator (BioPrior) de trouw van deze attributiemethoden verbetert.