9495 papers
Dit paper introduceert Stem, een plug-and-play module die de causale informatiestroom in LLM's optimaliseert door position-afhankelijke selectie en output-bewuste metrics te gebruiken, waardoor de kwadratische complexiteit van self-attention wordt doorbroken en de pre-filling-latentie voor lange contexten aanzienlijk wordt verlaagd zonder in te leveren op nauwkeurigheid.
Deze paper introduceert GMM-PIELM, een probabilistisch adaptief bemonsteringsframework dat de snelheid van Physics-Informed Extreme Learning Machines combineert met een geautomatiseerde concentratie van basisfuncties in gebieden met hoge numerieke fouten, waardoor de nauwkeurigheid bij het modelleren van stijve PDE's met scherpe gradiënten aanzienlijk wordt verbeterd zonder de kosten van zware gradient-gebaseerde optimalisatie.
Deze paper presenteert een nieuwe methode voor het verwijderen van artefacten in 3D CBCT-beelden door middel van loodrechte score-gebaseerde diffusiemodellen die in het projectiedomein werken om de inconsistenties van bestaande 2D-benaderingen te overwinnen en zo de beeldkwaliteit en diagnoseprecisie te verbeteren.
Dit artikel introduceert PolaDCA, een nieuw relationeel leerframework dat gebruikmaakt van gepolariseerde directe kruis-attentie voor adaptieve berichtoverdracht in grafische neurale netwerken, waardoor de nauwkeurigheid en robuustheid van storingdiagnose in roterende machines onder ruisvoorwaarden aanzienlijk wordt verbeterd.
Dit artikel introduceert een drie-staps pipeline die grote taalmodellen post-train om via versterkingsleer efficiënte, goed gekalibreerde en interpreteerbare onzekerheidsschattingen te genereren, wat een verbetering biedt ten opzichte van bestaande, rekenintensieve methoden.
Het paper introduceert SAHOO, een praktisch framework dat de alignatie-drift tijdens recursieve zelfverbetering van AI-systemen beheerst door middel van drie veiligheidsmechanismen, waardoor aanzienlijke prestatieverbeteringen worden bereikt zonder in te leveren op veiligheid of waarheidsgetrouwheid.
Dit artikel introduceert AIRT, een end-to-end deep-learning framework dat binnen één seconde een uitvoerbaar stralingsbehandelingsplan voor prostaatkanker genereert op basis van CT-beelden, met een kwaliteit die niet onderdoet voor bestaande methoden.
Dit paper introduceert MoEless, het eerste serverless framework voor het serveren van Mixture-of-Experts (MoE) taalmodellen dat door middel van proactieve voorspelling en dynamische schaalbaarheid expert-loadbalancingproblemen oplost en zo de inferentielatentie met 43% en de kosten met 84% verlaagt ten opzichte van bestaande oplossingen.
Het artikel introduceert de Dynamic Chunking Diffusion Transformer (DC-DiT), een model dat de compute-efficiëntie en beeldkwaliteit verbetert door adaptief het aantal tokens aan te passen op basis van beeldinhoud en het denoising-stadium, zonder extra supervisie en met minimale extra training.
Dit artikel introduceert de Frequency-Separable Hamiltonian Neural Network (FS-HNN), een architectuur die de Hamiltoniaan parameteriseert via meerdere netwerken voor verschillende tijdschalen om zo de beperkingen van bestaande methoden bij het modelleren van complexe multi-tijdschaal dynamica te overwinnen en de generalisatie voor ODE's en PDE's te verbeteren.
Deze paper presenteert een lichtgewicht, hardware-onafhankelijke classificatiemethode gebaseerd op de genormaliseerde compressiedistance die, ondanks het ontbreken van strikte metriek-eigenschappen, hoge nauwkeurigheid bereikt met weinig trainingsdata en zo privacyvriendelijke client-side machine learning mogelijk maakt.
Dit paper introduceert CLAIRE, een hybride deep learning-framework voor slimme fabricage dat een geoptimaliseerde autoencoder combineert met een classifier en speltheoretische interpretatie voor nauwkeurige en verklaarbare foutdetectie in complexe industriële omgevingen.
Deze paper introduceert ALFCG, het eerste adaptieve projectievrije raamwerk voor stochastische compositieve niet-convexe optimalisatie dat noch globale gladheidsconstanten noch lijnzoeken vereist, en dat via variatie-reductie en momentum optimale iteratiecomplexiteit bereikt die de bestaande methoden overtreft.
Deze paper introduceert een uitgebreide kinetische regularisatiemethode (KBR) voor het nauwkeurig schatten van ruimtelijke afgeleiden uit ruisachtige data, wat leidt tot stabiele oplossingen voor hyperbolische partiële differentiaalvergelijkingen op onregelmatige puntenwolkjes.
Dit paper introduceert schema-gated agentic AI als een oplossing die de tegenstrijdige eisen van deterministische uitvoering en conversatieve flexibiliteit in wetenschappelijke workflows verenigt door conversatie en uitvoeringsautoriteit te scheiden.
Het paper introduceert R4T, een methode die reinforcement learning gebruikt om trainingsdata te genereren voor een efficiënte diffusiemodel-retriever die set-georiënteerde zoekopdrachten met hoge kwaliteit en lage latentie mogelijk maakt.
Dit artikel introduceert een nieuw XL-MIMO radiomap-dataset met 78.400 kaarten en een 'beam map'-benadering die fysische array-eigenschappen ontkoppelt van geleerde multipath-propagatie, waardoor de voorspellingsnauwkeurigheid voor onbekende configuraties en omgevingen aanzienlijk verbetert.
Deze paper introduceert M-CMAB, een adaptieve bandit-gebaseerde framework voor online scheduling van multi-modale LLM-inferenties dat door middel van een voorspeller, een constrainer en een planner effectief omgaat met heterogene backends en meervoudige budgetbeperkingen om de responskwaliteit te maximaliseren.
Dit artikel introduceert een referentiearchitectuur voor versterkingsleerframeworks, gebaseerd op een grondige analyse van 18 state-of-the-practice implementaties, om een gemeenschappelijke basis te bieden voor vergelijking, evaluatie en integratie.
Het artikel introduceert CLoPA, een strategie voor continue aanpassing van de nnInteractive-modellen met een klein aantal parameters die, zonder de bestaande werkstroom te veranderen, de prestaties van interactieve segmentatie voor medische beeldannotatie snel naar expertniveau tilt.