2316 papers
Dit paper introduceert EMFusion, een conditioneel diffusiemodel dat betrouwbare, frequentieselectieve probabilistische voorspellingen van elektromagnetische velden in draadloze netwerken mogelijk maakt door diverse contextfactoren te integreren en expliciete onzekerheidsschattingen te bieden.
Deze studie introduceert het verbeterde WT-RDF+-framework, dat door middel van machine learning de parameters van de Wavelet Transform Radiale Distributiefunctie optimaliseert om de reconstructieprecisie van atomaire structuren in amorfe Ge-Se en Ag-Ge-Se materialen te verhogen en zo de beperkingen van eerdere methoden en conventionele ML-modellen te overtreffen.
Dit paper introduceert een nieuw theoretisch raamwerk voor normalisatie dat de mismatch tussen ideale en effectieve activatie-updates aanpakt, wat leidt tot de ontwikkeling van nieuwe, superieure normalisatiemethoden zoals PatchNorm en een herdefiniëring van de rol van affiene transformaties in neurale netwerken.
Dit paper bewijst met behulp van Performance Estimation Problems (PEP) dat het uitvoeren van lokale updates in de DIGing-algoritme voor gedistribueerde optimalisatie de convergentie versnelt, waarbij twee lokale updates voldoende zijn voor maximale verbetering zonder extra stapgrootte-vermindering.
Dit paper introduceert Bayesian Generative Modeling (BGM), een unificerend AI-framework dat via een stochastisch iteratief Bayesiaans update-algoritme een enkel generatief model leert voor willekeurige conditionele inferentie met principieel onzekerheidskwantificering, zonder dat hertraining nodig is voor verschillende conditioneringsstructuren.
Dit artikel introduceert een systeem dat gebruikmaakt van LLM-gestuurde webresearchagents om automatisch en in grote schaal diverse, realistische voorspellingsvragen te genereren en op te lossen, waarmee de kwaliteit van AI-voorspellers wordt geëvalueerd en verbeterd.
Dit paper introduceert Infusion, een raamwerk dat schaalbare invloedfuncties gebruikt om kleine, subtiel geperturbeerde trainingdata te creëren die doelbewust het gedrag van modellen beïnvloeden, wat aantoont dat zelfs geringe aanpassingen in een klein deel van de dataset systematisch modelgedrag kunnen vormen.
Deze paper introduceert een robuust raamwerk voor assortimentsoptimalisatie dat rekening houdt met mogelijke verschuivingen in klantvoorkeuren en modelonjuistheden, waarbij statistisch optimale algoritmen worden ontwikkeld om de steekproefcomplexiteit te minimaliseren en gegarandeerde generalisatie te bieden onder onzekerheid.
Dit paper presenteert een nieuwe bottleneck-transformer-architectuur die frame-niveaueigenschappen leert en informatie aggregeert via multi-head self-attention om de Short-Time Objective Intelligibility (STOI) score nauwkeuriger te voorspellen dan bestaande zelftoezicht-gebaseerde methoden, zonder dat een schoon referentiesignaal nodig is.
Het paper introduceert B-DENSE, een nieuw raamwerk dat de inferentie-efficiëntie van diffusiemodellen verbetert door middel van multi-branch trajectalignatie, waardoor een studentmodel dichte tussenstappen van de leraar leert om discretisatiefouten te verminderen en de beeldkwaliteit te verhogen.
Dit paper introduceert Missing-by-Design (MBD), een unificerend kader voor herroepbare multimodale sentimentanalyse dat gecertificeerde verwijdering van specifieke data-modaliteiten mogelijk maakt via een machine-verifieerbaar proces, zonder de volledige modelhertraining te vereisen.
Dit artikel introduceert een nieuw curriculum-gebaseerd framework voor continu leren dat door het sequentieel ontleden van meerdere onzekerheden en het combineren van modelgebaseerde regeling met diepe versterkingsturing, robuuste besturing van niet-lineaire mechanische systemen mogelijk maakt met succesvolle simulatie-naar-realiteit-overdracht, zoals gedemonstreerd bij actieve trillingsregeling voor auto-aandrijflijnen.
Dit paper introduceert Coupled Discrete Diffusion (CoDD), een hybride framework dat de factorisatiebarrière in diffusie-taalmodellen doorbreekt door een lichtgewicht probabilistische inferentielaag te gebruiken die complexe afhankelijkheden tussen tokens modelleert zonder de prestaties of efficiëntie te schaden.
In dit onderzoek wordt SpeedTransformer, een nieuw Transformer-model dat uitsluitend op snelheidsgegevens van dichte smartphone-GPS-trajecten vertrouwt, voorgesteld als een superieur en flexibel alternatief voor traditionele deep learning-modellen voor het detecteren van vervoersmodi, zelfs in complexe omgevingen en bij gebrek aan grote datasets.
Deze studie toont aan dat voor niet-rechthoekige robuuste Markov-beslissingsprocessen met gemiddelde beloning, elk beleid met sublineaire regret robuust optimaal is zonder de gebruikelijke rechthoekigheidsvoorwaarde, en introduceert een nieuw kader voor het analyseren van en verbeteren van de tijdelijke prestaties via een epoch-gebaseerd beleid.
Dit paper introduceert DUEL, een raamwerk dat exacte waarschijnlijkheidsberekening mogelijk maakt voor gemaskerde diffusiemodellen via deterministische onmaskering, waardoor deze modellen aanzienlijk betere prestaties tonen dan eerder werd gedacht en een eerlijke vergelijking met autoregressieve modellen mogelijk wordt.
Dit paper introduceert \textsc{Gome}, een MLE-agent die gradiëntgebaseerde optimalisatie toepast in plaats van boomzoektechnieken, wat leidt tot state-of-the-art prestaties op MLE-Bench en aantoont dat deze aanpak bij sterkere redeneermodellen steeds effectiever wordt dan traditionele exhaustieve zoekmethodes.
Dit paper introduceert FinTexTS, een nieuw groot dataset voor gepaarde financiële tekst en tijdreeksen dat gebruikmaakt van een semantisch en meer-niveau koppelingsframework om complexe marktinteracties beter vast te leggen dan bestaande methoden op basis van trefwoorden, wat leidt tot verbeterde voorspellingen van aandelenprijzen.
Dit paper introduceert twee software-only technieken, Overflow-Aware Scaling en Macro Block Scaling, die de nauwkeurigheidskloof tussen het MXFP4- en NVFP4-quantisatieformaat voor grote taalmodellen van ongeveer 10% tot minder dan 1% verkleinen zonder hardware-aanpassingen.
Dit paper introduceert het OWO-FMTL-framework, een online-within-online methode voor eerlijk multi-task learning in AI-RAN's die door middel van een dubbele leerlus en alpha-fairness langdurige eerlijkheid en schaalbaarheid op edge-apparaten garandeert.