9495 papers
Dit artikel introduceert een framework voor de gecertificeerde en nauwkeurige berekening van functieruimtenormen van diepe neurale netwerken door intervalrekening op as-uitgelijnde dozen te combineren met adaptieve verdeling en kwadratuur, waardoor gegarandeerde boven- en ondergrenzen worden verkregen voor integralen zoals - en Sobolev-normen.
Dit artikel introduceert een Correlatie-Complexiteit-kaart als diagnostisch hulpmiddel om te bepalen of real-world data geschikt is voor IQP-quantumgeneratieve modellen, en demonstreert dat deze aanpak, gesteund door hoge QCLI- en CCI-waarden in turbulente data, concurrerende resultaten bereikt met minder trainingsdata dan klassieke modellen.
Het papier toont aan dat bij kwantum-gelimiteerde Gaussian-dynamica het omkeren van een noising-proces met een vaste score-drift de complete positiviteit schendt, waardoor extra diffusie noodzakelijk is om de fysieke geldigheid te herstellen.
Het paper introduceert NOBLE, een architecturale uitbreiding die permanente niet-lineaire laag-rang takken toevoegt aan transformer-lijnen voor training vanaf nul, wat leidt tot aanzienlijke verbeteringen in trainingsefficiëntie en een snellere convergentie met minimaal extra parameteroverhead.
COLD-Steer is een trainingsvrij raamwerk dat grote taalmodellen tijdens de inferentie stuurt door de representatieve veranderingen van in-context leren te benaderen, waardoor een effectiviteit tot 95% wordt bereikt met 50 keer minder voorbeelden dan bestaande methoden.
Dit artikel introduceert een semantiek-bewuste caching-methode die de runtime van conceptlering in beschrijvingslogica's met een factor tien verlaagt door het aantal benodigde instantie-oproepen te verminderen, wat effectief blijkt voor zowel symbolische als neuro-symbolische redeneerders.
Dit paper weerlegt de aanname dat meervoudige modale aanvallen op multimodale diffusiemodellen synergistisch werken, door aan te tonen dat ze vaak instorten tot een 'winnaar neemt alles'-dynamiek waarbij slechts één modale trigger de aanval domineert en andere modaliteiten overbodig worden.
Dit onderzoek toont aan dat een op meer dan 45.000 echo-beelden getraind AI-systeem de prenatale detectie van orofaciale clefts nauwkeurig kan uitvoeren en tegelijkertijd de diagnostische vaardigheden van minder ervaren radiologen verbetert, waardoor het een schaalbare oplossing biedt voor zowel diagnose als medisch onderwijs in gebieden met een tekort aan specialisten.
In dit paper demonstreren de auteurs hoe transformer-modellen kunnen worden getraind om atomaire overgangen in nano-clusters snel en accuraat te voorspellen, waardoor de hoge rekenkosten van conventionele simulatietechnieken worden vermeden.
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.