9680 papers
Deze studie toont aan dat Vision-Language-modellen contextafhankelijke affordances berekenen, waarbij zowel de woordkeuze als de semantische betekenis sterk variëren afhankelijk van de context, wat wijst op de noodzaak van dynamische, query-afhankelijke ontologische projectie in de robotica.
Dit onderzoek presenteert een nieuwe methode met deep learning, genaamd Equilibrium-Informed Neural Networks (EINNs), die evenwichtstoestanden als invoer gebruikt om kritieke drempels en abrupte regimeverschuivingen in complexe dynamische systemen efficiënter te detecteren dan traditionele simulaties.
Het artikel introduceert FedEMA-Distill, een serverzijde methode voor federatief leren die exponentiële voortschrijdende gemiddelden en kennisdistillatie op basis van client-logits combineert om de nauwkeurigheid te verhogen, de communicatiekosten te verlagen en de weerstand tegen Byzantijnse aanvallen te vergroten, zonder aanpassingen aan de client-zijde of modelhomogeniteit te vereisen.
Dit artikel onderzoekt waarom schaalbaarheid bij gedistribueerd GPU-training vaak faalt door netwerktopologie en fabric-effecten die door hogere trainingsframeworks worden genegeerd, en biedt praktische richtlijnen voor het diagnosticeren en verbeteren van de prestaties van grootschalige clusters.
Dit artikel presenteert een data-gedreven classificatiekader voor de optimalisatie van multi-generatie mobiele netwerken, waarbij analyse van OpenCelliD-data inzicht biedt in infrastructuurgaten en onderbenutting om strategische upgrades en efficiënter resourcebeheer voor operators te sturen.
Dit paper introduceert Delta-Crosscoder, een robuuste methode die door middel van BatchTopK-sparseheid en een delta-gebaseerde verliesfunctie effectief causale latente richtingen identificeert en mitigeert in smalle fine-tuning-regimes, waarbij het presteert boven bestaande SAE-baselines.
Dit paper introduceert een methode om de KV-cache van transformer-modellen aanzienlijk te reduceren door de dimensie van keys en queries te verlagen, gebaseerd op het inzicht dat selectie een lagerdimensionale taak is dan waardeoverdracht, wat leidt tot 75% minder cachegebruik met minimaal kwaliteitsverlies.
Deze paper introduceert een systeem voor multi-agent LLM-inferentie op randapparaten dat persistentie van 4-bit gekwantiseerde KV-caches op schijf mogelijk maakt om herhaalde voorvulling te elimineren, waardoor de tijd tot het eerste token tot wel 136 keer sneller wordt en meer agenten binnen het beperkte geheugen kunnen worden gehost.
Het paper introduceert Flowers, een efficiënte neurale architectuur voor het oplossen van PDE's die uitsluitend multihead warps gebruikt om adaptieve, globale interacties te modelleren zonder Fourier-multiplicatoren of dot-product attention, en die presteert beter dan bestaande baselines op diverse tijdsafhankelijke stromings- en golfproblemen.
Dit paper introduceert SOLID, een mask-geconditioneerd diffusiemodel dat spatiotemporele velden leert voorspellen en reconstrueren uitsluitend op basis van schaarse sensorwaarnemingen, waardoor het een significant verbeterde probabilistische nauwkeurigheid en gekalibreerde onzekerheidsschattingen bereikt zonder dichte trainingsdata.
Dit artikel presenteert een veilingmechanisme voor de toewijzing van herconfigureerbare intelligente oppervlakken (RIS) in multi-cellulaire netwerken, waarbij deep reinforcement learning wordt ingezet om de biedstrategieën van basisstations te optimaliseren en zo een flexibel evenwicht tussen netwerkprestaties en kosten te bereiken.
Dit paper introduceert ZorBA, een federatief fine-tuning framework voor grote taalmodellen dat zeroth-order optimalisatie en heterogene blokkenactivering combineert om het VRAM-gebruik en de communicatiekosten aanzienlijk te verlagen terwijl de convergentie wordt versneld.
In dit artikel wordt een adaptief framework voor gesplitst federatief leren (ASFL) voorgesteld dat door het dynamisch verdelen van het model en het optimaliseren van hulpbronnen in draadloze netwerken de convergentiesnelheid verbetert en de vertraging en energieverbruik aanzienlijk verlaagt.
Het artikel introduceert CogGen, een volledig onbewaakte deep generative model die de cognitieve belasting reguleert door k-ruimte-data via een zelf-paced curriculum van laag naar hoog frequentie te verwerken, waardoor de reconstructie van gecomprimeerde MRI-beelden sneller convergeert en nauwkeuriger is dan bestaande methoden.
Dit paper introduceert een uitlegbare, regime-bewuste beleggingsstrategie op basis van een causaal Wasserstein Hidden Markov Model die, door dynamische aanpassing van regime-complexiteit en transactiekosten, aanzienlijk betere risicogecorrigeerde rendementen en lagere drawdowns bereikt dan traditionele benchmarks en niet-parametrische alternatieven.
Het artikel introduceert AMV-L, een framework voor agentgeheugenbeheer dat door middel van waardegedreven promotie en demotie de zoekruimte beperkt en zo de prestaties van langlopende LLM-systemen aanzienlijk verbetert door de tail-latentie te reduceren en de doorvoer te verhogen ten opzichte van traditionele TTL- en LRU-baselines.
SkillNet is een open infrastructuur die AI-vaardigheden systematisch creëert, evalueert en koppelt via een uniek ontologie, waardoor agenten hun prestaties aanzienlijk verbeteren door herhaling van oplossingen te voorkomen en eerder verworven kennis effectief te benutten.
Dit onderzoek introduceert een verklaarbaar ensemblekader dat klinische en cognitieve gegevens combineert met geavanceerde machinelearningtechnieken, zoals XGBoost en Random Forest, om de voorspelling van de ziekte van Alzheimer te verbeteren en inzicht te geven in de belangrijkste risicofactoren voor klinische besluitvorming.
Dit paper introduceert MPBMC, een hybride benadering die Graph Neural Networks en runtime-statistieken combineert om eigenschappen te clusteren en zo de prestaties van Bounded Model Checking bij multi-eigenschapverificatie aanzienlijk te verbeteren.
Dit paper introduceert NCnet, een klassiek neurale architectuur die door interne gradiëntconcurrentie niet-klassieke statistische correlaties vertoont die als nieuw perspectief kunnen dienen voor het begrijpen van de trainingsdynamiek en generalisatie van diepe netwerken.