9570 papers
In dit artikel wordt CytoNet voorgesteld, een fundamenteel model dat is getraind op één miljoen ongelabelde microscopische afbeeldingen van het menselijke cortexweefsel om de complexe celarchitectuur te analyseren en te koppelen aan grootschalige functionele organisatie.
Dit paper introduceert CoRPO, een verbetering op GRPO die door het toepassen van een correctheidsdrempel op de basislijn het risico op het belonen van foutieve oplossingen verkleint en zo de generalisatie van redeneervermogens over verschillende domeinen aanzienlijk verbetert.
Dit artikel introduceert SPOT, een end-to-end deep learning-methode die phase-time arrays gebruikt om via trainbare straalvorming en één enkele transmissie zowel doelgerichte regenboogstralen te synthetiseren als nauwkeurige tweedimensionale positieschattingen te realiseren met aanzienlijk minder overhead dan bestaande technieken.
Het paper introduceert ReCast, een lichtgewicht tijdreeksvoorspellingsframework dat gebruikmaakt van een betrouwbaarheidsbewuste codebook-strategie om lokale patronen efficiënt te coderen en onregelmatige fluctuaties te compenseren, waardoor het superieure nauwkeurigheid en robuustheid biedt bij distributieveranderingen.
Dit paper introduceert FlashCache, een frequentiedomein-gestuurde compressiemethode voor multimodale KV-cache die uitbijterparen behoudt om de inferentie-efficiëntie van multimodale grote taalmodellen aanzienlijk te verbeteren zonder prestatieverlies.
De auteurs presenteren ObAct, een innovatief raamwerk voor actieve visuele imitatielearning waarbij een waarnemende arm dynamisch de beste camerapositie kiest via 3D-Gaussian Splatting om een uitvoerende arm te helpen, wat resulteert in aanzienlijk robuustere robotbeheersing in vergelijking met statische camera-opstellingen.
Deze paper introduceert CycleChemist, een tweeledig machine learning-framework dat het grootste tot nu toe bestaande dataset van donor-acceptorparen combineert met generatieve modellen en voorspellende algoritmen om de ontdekking van hoogpresterende organische fotovoltaïsche materialen te versnellen.
Dit artikel introduceert een nieuw physics-informed U-Net-LSTM-raamwerk dat fysische wetten integreert in diep leren om de nauwkeurigheid en efficiëntie van het voorspellen van niet-lineaire seismische respons van constructies te verbeteren, waardoor de beperkingen van zowel traditionele eindige-elementenmethoden als puur datagedreven modellen worden overwonnen.
Dit paper introduceert DPAC, een methode voor diffusie-sampling die de adversariele gradiënten projecteert op de raakruimte van de generatieve score om zo de distributie te behouden en de kwaliteit van de gegenereerde beelden te maximaliseren zonder de aanvalsprestaties te verstoren.
Deze studie presenteert een AI-implementatieonderzoek bij Shriners Childrens waarin de Research Data Warehouse wordt gemoderniseerd naar OMOP CDM v5.4 in een beveiligde Microsoft Fabric-omgeving, een Python-tool voor datakwaliteit wordt ontwikkeld die Trustworthy AI-principes integreert, en hybride implementatiestrategieën voor AI worden onderzocht om de klinische adoptie te versnellen.
Dit artikel introduceert GRAND, een hybride, hiërarchisch algoritme dat leer-gebaseerde globale begeleiding combineert met lichte optimalisatie voor het rebalanceren en toewijzen van taken, waardoor de doorvoer van grote vloeren van robots in magazijnen met tot 500 agenten tot 10% wordt verbeterd binnen een real-time computertijdslimiet van één seconde.
Dit artikel introduceert een eerlijkheidsbewuste Low-Rank Adaptatie-methode voor visueel-taalmodellen die de diagnostische ongelijkheid bij glaucoomdiagnose aanzienlijk vermindert door middel van een differentieerbare MaxAccGap-verliesfunctie, terwijl slechts 0,24% van de parameters wordt getraind.
Deze paper introduceert Guided Flow Policy (GFP), een nieuwe methode voor offline versterkingslering die door middel van wederzijdse begeleiding tussen een stromingsbeleid en een gedestilleerde actor zich richt op het kopiëren van hoogwaardige acties, wat leidt tot state-of-the-art prestaties op diverse benchmarks.
Dit artikel toont aan dat het combineren van een taakbeloning met een beloning voor de canonieke volgorde van acties tijdens RL-post-training de prestaties van een Transformer op zebra-puzzels verbetert, zelfs wanneer het model is gefinetuned op gerandomiseerde oplossingssequenties.
Deze paper introduceert NeuralRemaster, een model-onafhankelijke methode die de fase van beelden behoudt tijdens het diffuusieproces om structureel consistente en ruimtelijk uitgelijnde generaties mogelijk te maken voor taken zoals herrendering en simulatie-naar-realiteit verbetering.
Deze paper introduceert een eenvoudige post-training methode die de aandacht van transformers extreem verdunt tot ongeveer 0,4% van de verbindingen zonder prestatieverlies, waardoor complexe circuits worden vereenvoudigd en de mechanische interpreteerbaarheid van het model aanzienlijk wordt verbeterd.
Dit artikel introduceert SACP, een nieuwe methode die conformiteitscores van meerdere voorspellende modellen symmetrisch aggregeert via e-waarden om efficiëntere en betrouwbaardere onzekerheidssets te genereren dan bestaande technieken.
Deze paper introduceert TAP, een nieuw framework dat Large Language Models en evolutionaire zoekstrategieën combineert om zonder training of menselijke tussenkomst automatisch superieure proxies voor Mixed-Precision Quantization te ontdekken.
Het paper introduceert ReFusion, een nieuw gemaskerd diffusiemodel dat door het combineren van sequentiereorganisatie met causale attentie en het verschuiven van parallelle decoding naar het slotniveau, zowel de inferentiesnelheid aanzienlijk verhoogt als de prestaties van autoregressieve modellen benadert.
Dit artikel introduceert een bovengrens voor de -kalibratiefout van een binaire classifier en een methode om deze fout efficiënt te beperken zonder de prestaties significant te beïnvloeden, waarbij alle resultaten niet-asymptotisch en distributieonafhankelijk zijn.