2316 papers
Deze paper stelt een gedistribueerd en adaptief multi-agent algoritme voor dat op basis van lineaire bandieten de optimale service voor plaatsing in small cell networks identificeert om de totale gebruikersvertraging te minimaliseren.
Dit artikel analyseert de convergentiesnelheid van de laatste iteratie van stochastische gradiëntafdaal- en zware-bal-methoden voor convex en niet-convex doelfuncties met -Hölder-gladde gradiënten, en bewijst nieuwe convergentie-resultaten voor zowel de minimale dan wel de laatste iteratie door gebruik te maken van de discrete Gronwall-ongelijkheid in plaats van de Robbins-Siegmund-stelling.
Deze studie vergelijkt DeepONet-architecturen voor het consolideringsprobleem in de geotechniek en toont aan dat een Fourier-features-gebaseerde variant (Model 4) niet alleen superieure nauwkeurigheid biedt bij sterk variërende oplossingen, maar ook een snelheidswinst van ongeveer 1.000x in 3D-scenario's mogelijk maakt, wat de weg vrijmaakt voor efficiënte onzekerheidskwantificering.
Deze paper introduceert LangevinFlow, een fysica-geïnspireerd Variational Auto-Encoder-model dat de onderdrukte Langevin-vergelijking en lokaal gekoppelde oscillatoren gebruikt om complexe neurale latente dynamiek nauwkeuriger te modelleren dan bestaande methoden.
Dit paper introduceert Latent Policy Steering (LPS), een methode die een vooraf getraind wereldmodel en een waardefunctie gebruikt om robotvisuomotorische beleidsplanning te verbeteren door optische stroming als embodiment-agnostische actierepresentatie te benutten, wat leidt tot aanzienlijke prestatiewinsten in scenario's met beperkte trainingsdata.
Dit paper introduceert MLES, een nieuwe aanpak die multimodale grote taalmodellen combineert met evolutionaire zoekopdrachten om transparante, verifieerbare en mensgerichte programmatieke controlepolities te genereren die prestatie-technisch vergelijkbaar zijn met diepe versterkingsleermethoden.
Dit paper introduceert CTRL, een meta-leermethode die clusteren en residu-lering combineert om nauwkeurige en bron-specifieke voorspellingen te genereren voor scenario's met vele kleine datasets en distributieverschillen, zoals bij de plaatsing van asielzoekers in Zwitserland.
Dit artikel presenteert een innovatieve aanpak waarbij AI gegenereerde zang en virtuele avatars worden gebruikt om studiegidsen in een aantrekkelijk audiovisueel formaat te presenteren, wat volgens de resultaten de betrokkenheid van studenten verhoogt en de retentie van belangrijke cursusinformatie verbetert.
MuFlex is een schaalbaar, open-source platform dat fysiek gebaseerde simulaties van meerdere gebouwen combineert met versterkende leeromgevingen om gecoördineerde vraagflexibiliteit te analyseren en te optimaliseren, zoals aangetoond door een succesvolle piekverminderingscase met vier kantoorgebouwen.
Dit artikel introduceert een lichtgewicht, data-efficiënt framework op basis van grafische neurale netwerken dat door gebruik te maken van RF-domeinkennis en apparaat-semantiek nauwkeurige prestatievoorspellingen mogelijk maakt voor diverse actieve RF-circuits, met een gemiddelde relatieve fout van 3,45% en een aanzienlijke verbetering in generalisatievermogen ten opzichte van bestaande methoden.
Dit paper introduceert een iteratieve in-context learning-methode met geselecteerde voorbeelden die de generalisatievermogen van grote taalmodellen verbetert bij abstracte algebraïsche taken, waarbij blijkt dat eenvoudigere voorbeelden soms effectiever zijn dan complexere.
Dit artikel introduceert een op een volledig verbonden residual-neuraalnetwerk gebaseerd surrogate-model dat, getraind op FEM-simulaties, de stroomdichtheidsverdeling in REBCO-solenoiden snel en nauwkeurig voorspelt, waardoor de intelligente ontwerpoptimatie van grote hoogtemperatuur-supraconductieve magneten mogelijk wordt gemaakt.
Dit artikel onderzoekt Monte Carlo-methode met repulsieve punten voor het berekenen van integraalwaarden op de eenheidsbol, met name voor de gesneden Wasserstein-afstand, en concludeert dat UnifOrtho de beste keuze is voor hoge dimensies terwijl randomized quasi-Monte Carlo in lage dimensies superieur is.
Dit paper introduceert de Robot Control Stack (RCS), een lichtgewicht en modulair ecosysteem dat de kloof tussen simulatie en de echte wereld overbrugt om onderzoek naar robotleren met grote Vision-Language-Action-modellen te faciliteren.
Deze paper introduceert een score-based generatief model dat biologisch geïnspireerde Kuramoto-dynamica gebruikt om de coherentie van richtingspatronen in oriëntatie-rijke afbeeldingen, zoals vingerafdrukken en texturen, effectiever te modelleren dan traditionele isotrope diffusie-methoden.
Dit artikel demonstreert hoe AlphaEvolve, een LLM-gebaseerd code-mutatieagent, wordt ingezet om nieuwe, sterkere onbenaderbaarheidsresultaten te bewijzen voor problemen zoals MAX-CUT, MAX-4-CUT en het TSP, waarbij het agent ook zelf de verificatieprocedures optimaliseert om de hoge rekenkosten te overwinnen.
Het paper introduceert VLCE, een kennisverrijkt raamwerk dat ConceptNet en WordNet integreert om generieke visueel-taalmodellen te verbeteren bij het genereren van actievere en domeinspecifieke beschrijvingen van rampenbeelden, wat resulteert in een aanzienlijke prestatieverbetering op benchmarks zoals xBD en RescueNet.
Dit paper introduceert ZeroSiam, een efficiënte asymmetrische Siamese architectuur die testtijd-entropie-optimalisatie mogelijk maakt zonder modelinstorting, waardoor modellen zich in real-time kunnen aanpassen en verbeteren op zowel visuele taken als redeneerproblemen.
Deze paper introduceert General Policy Composition (GPC), een trainingsvrije methode die de prestaties van bestaande robotbeleidmodellen op basis van diffusie of stroming verbetert door hun distributiescores tijdens de testfase te combineren, zonder dat extra training vereist is.
Dit artikel presenteert een hybride besturingsmethode die Deep Reinforcement Learning combineert met bounded extremum seeking om de robuustheid en prestaties van controllers voor niet-lineaire, tijdvariërende systemen te verbeteren, zoals gedemonstreerd bij de automatische afstelling van een deeltjesversneller.