9324 papers
Dit paper introduceert een nieuwe interpretatiemethode voor hiërarchische industriële vraagprognoses die onzekerheid en tijdsafhankelijkheid in kaart brengt, waardoor stakeholders beter inzicht krijgen in de drijvende krachten achter voorspellingen en meer vertrouwen krijgen in deze modellen.
Dit paper introduceert CODEC, een methode die gebruikmaakt van sparse autoencoders om de causale bijdragen van neuronen in neurale netwerken te ontleden, waardoor dieper inzicht wordt verkregen in de mechanismen achter netwerkoutput en betere controle en interpretatie mogelijk wordt.
Dit paper introduceert H²RL, een hybride twee-trapskader dat logische opties gebruikt voor pretraining om deep reinforcement learning-agenten te sturen naar doelgericht gedrag en zo de misalignering door kortetermijnbeloningen op te lossen.
Dit paper introduceert AllScAIP, een schaalbaar, op attention gebaseerd machine-learning potentiaalmodel dat door middel van een data-gedreven all-to-all node attention-mechanisme nauwkeurige lange-afstand interacties captureert en daarmee de afhankelijkheid van expliciete fysische termen voor grootschalige systemen zoals biomoleculen en elektrolyten overbodig maakt.
SCOPE introduceert een plug-and-play framework dat bestaande 3D-segmentatiemethoden verbetert door ongelabelde achtergrondinformatie te benutten voor het verrijken van prototypes, waardoor nieuwe categorieën effectief kunnen worden geleerd met weinig annotaties en zonder vergeten van eerder geleerde kennis.
Het paper introduceert BEVLM, een raamwerk dat semantische kennis van grote taalmodellen distilleert naar Bird's-Eye View-representaties om de ruimtelijke coherentie te verbeteren en zo de prestaties van autonoom rijden aanzienlijk te verhogen.
Dit artikel introduceert een Neyman-orthogonale schatter voor lineaire regressie met interactieve vaste effecten in meervoudige paneldata, die via een tweestapsprocedure een parametrische convergentiesnelheid bereikt en wordt toegepast om de vraagelasticiteit voor bier te schatten.
Dit artikel introduceert twee nieuwe nulde-orde algoritmen, ZO-PDAPG en ZO-RMPDPG, voor het oplossen van niet-convexe minimax-problemen met gekoppelde lineaire constraints, waarbij voor het eerst iteratiecomplexiteitsgaranties worden bewezen die bovendien de huidige staat van de techniek verbeteren.
Deze paper introduceert Orthonormal Data Collaboration (ODC), een methode die door het afdwingen van orthonormale bases de uitlijning van gedeelde projecties reduceert tot een gesloten-formule oplossing, waardoor de nauwkeurigheid en stabiliteit van Data Collaboration aanzienlijk worden verbeterd en de rekentijd tot 100 keer wordt verkort zonder de privacy of communicatiepatronen te schenden.
Dit artikel introduceert een nieuw, rekenefficiënt algoritme voor multi-task submodulaire subsetselectie dat lokale distributie-robuustheid bereikt door relatieve-entropy regularisatie, wat leidt tot een oplossing die een betere balans biedt tussen prestatie en robuustheid dan bestaande methoden.
Dit artikel presenteert een nieuwe leerbenadering voor Dubins Traveling Salesman Problems met buurten, die via twee fasen van versterkt leren en supervisie een snellere en effectievere oplossing biedt dan traditionele methoden door gebruik te maken van geprivilegieerde informatie.
Dit paper introduceert HEroBM, een schaalbaar en universeel deep learning-kader dat gebruikmaakt van equivariante grafische neurale netwerken om nauwkeurig en efficiënt atomaire structuren te reconstrueren uit grofkorrelige modellen voor diverse chemische systemen.
Dit artikel presenteert een asymptotisch optimaal algoritme voor online leren en optimalisatie met onomkeerbare beslissingen, waarbij een constructieve policy met beperkte exploratie gevolgd door snelle exploitatie de regret sublineair laat groeien terwijl de classifier convergeert naar de Bayes-optimale oplossing.
Dit paper introduceert GPSL, een server-gedreven split learning-methode die door globale steekproefneming de effectieve batchgrootte onafhankelijk maakt van het aantal clients en niet-IID-data bias elimineert, waardoor stabilisatie en centralisatie-achtige nauwkeurigheid worden bereikt met minimale overhead.
Dit artikel introduceert een min-max formulering voor niet-negatieve matrixfactorisatie (NMF) om de eerlijkheid in machine learning te verbeteren, waarbij twee optimalisatiemethoden worden gepresenteerd en geëvalueerd met synthetische en reële data, terwijl ook wordt erkend dat eerlijkheid niet-universeel is en soms ten koste gaat van individuele nauwkeurigheid.
Dit artikel presenteert een uitgebreide experimentele studie die aantoont dat eerlijkheidsbewuste machine learning-modellen in het kredietscoringproces een betere balans bereiken tussen voorspellende nauwkeurigheid en eerlijkheid dan traditionele classificatiemodellen.
Dit paper introduceert Path Planning (P2), een nieuwe inferentie-strategie voor gemaskerde diffusiemodellen die generatiekwaliteit aanzienlijk verbetert door bestaande tokens iteratief te verfijnen via een plannings- en een denoising-fase, wat leidt tot state-of-the-art prestaties op diverse domeinen zoals eiwitsequenties en codegeneratie.
Dit artikel demonstreert dat de vervloeking van de dimensionaliteit optreedt bij het trainen van ondiepe neurale netwerken met Lipschitz-continuïteit, waarbij de convergentiesnelheid van het populatierisico wordt beperkt door de dimensie en de gladheid van de doelfunctie, zelfs bij gebruik van gradient flow-dynamica in de 2-Wasserstein-ruimte.
Deze paper breidt de bestaande entropiestroom-methode uit tot alle leeralgoritmen die worden gestuurd door een tijds-homogeen Markov-proces, waardoor er via een nieuwe exacte formule en verbindingen met Sobolev-ongelijkheden algemene generalisatiegrenzen kunnen worden afgeleid.
Dit paper weerlegt de conjectuur dat er een één-op-één-correspondentie bestaat tussen de attractoren van de replicatordynamiek en de sink-evenwichten in speltheorie door middel van tegenvoorbeelden, en introduceert het concept van pseudoconvexiteit als een voldoende voorwaarde om deze relatie voor twee-spelersspelen te karakteriseren.