9357 papers
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.
Dit paper introduceert FBFL, een nieuw veldgebaseerd coördinatiekader voor federatief leren dat door middel van gedistribueerde ruimtelijke leidersverkiezing en een zelforganiserende hiërarchische architectuur de uitdagingen van data-heterogeniteit en schaalbaarheid effectief aanpakt en in niet-IID-scenario's superieure prestaties levert vergeleken met bestaande methoden.
De auteurs presenteren Clip21-SGD2M, een nieuwe methode voor Federated Learning die door een innovatieve combinatie van clipping, zware-bal-momentum en foutfeedback zowel optimale convergentie garandeert als sterke differentieel-privateits-eigenschappen biedt, zelfs bij sterk heterogene client-data.
Deze survey presenteert een principieel taxonomisch raamwerk voor generatieve modellen in besluitvorming, gebaseerd op 'Control as Inference', dat vier functionele rollen identificeert, kritische risico's in hoog-risico domeinen analyseert en de weg effent naar algemene fysische intelligentie.
Dit artikel introduceert BACE-RUL, een bi-directioneel adversariaal netwerk met covariaatcodering dat de resterende levensduur van machines voorspelt op basis van huidige sensormetingen zonder afhankelijkheid van eerdere cycli, en dat in diverse experimenten superieure resultaten boekt ten opzichte van bestaande methoden.
Dit paper onthult dat toezichtsfine-tuning van Vision-Language Models een 'veiligheidsmirage' creëert door schijnbare correlaties te versterken, en toont aan dat machine unlearning een effectiever alternatief is dat zowel de kwetsbaarheid voor aanvallen vermindert als onnodige afwijzingen van veilige vragen voorkomt.
Dit paper introduceert een nieuw evaluatiekader dat aantoont dat Large Language Models bij het lokaliseren van fouten vaak afhankelijk zijn van syntactische cues in plaats van semantische redenering, aangezien 78% van de succesvolle lokaliseringspogingen faalt bij het toepassen van semantisch behoudende mutaties.
Dit paper introduceert ms-Mamba, een nieuw architectuur voor tijdsreeksvoorspelling die meerdere tijdschalen integreert via Mamba-blokken met verschillende samplefrequenties en daardoor de prestaties van bestaande modellen verbetert met minder parameters en rekenkosten.
TianQuan-S2S is een nieuw wereldwijd model voor weersvoorspelling op subseizoens- tot seizoensschaal dat klimaatstaten integreert en een uncertainty-augmented Transformer gebruikt om de prestaties van bestaande numerieke en datagedreven methoden te overtreffen.
Dit artikel introduceert Noise2Ghost, een zelftoezichtende diepe leer-methode voor ghost imaging die ongeëvenaarde reconstructiekwaliteit biedt bij ruisige data zonder behoefte aan schone referentiebeelden, waardoor het ideaal is voor toepassingen in lage-lichtscenario's zoals röntgenfluorescentie-imaging van gevoelige biologische en batterijmonsters.