10391 papers
Dit paper introduceert COOL-MC, een tool die probabilistische modelchecking en uitlegbare methoden gebruikt om te verifiëren en te verklaren hoe een reinforcement learning-beleid voor het onderhoud van een netwerk van drie bruggen presteert, waarbij een veiligheidsrisico van 3,5% en een systematische bias naar brug 1 worden geïdentificeerd.
Dit paper demonstreert dat een datacentrische aanpak met zorgvuldige preprocessing, klassenbalancering en een vereenvoudigde CNN-VAE-architectuur concurrerende prestaties bereikt bij de classificatie van ECG-signaalen op de PTB-XL-dataset, terwijl de modelcomplexiteit aanzienlijk wordt gereduceerd.
Het paper introduceert GRD-Net, een nieuw model voor industriële afwijkingdetectie dat een generatieve reconstructie-architectuur combineert met een discriminatieve module voor segmentatie van gebieden van belang, waardoor de afhankelijkheid van vooraf gedefinieerde voorverwerkingsalgoritmen wordt verminderd en de generalisatie op zowel synthetische als realistische industriële datasets wordt verbeterd.
Dit artikel toont aan dat de LiRA-membertijnsinferentie-aanval onder realistische omstandigheden, zoals anti-overfitting, transfer learning en onbalans in de prior, aanzienlijk minder effectief is dan eerder werd aangenomen, wat benadrukt dat privacy-audits realistische evaluatieprotocollen moeten hanteren.
Dit artikel introduceert een innovatieve generatieve neurale solver voor het voertuigrouteprobleem die een discrete ruisgrafiek-diffusiemodel combineert met autoregressieve methoden om een constraints-matrix te genereren, waardoor robuustheid en prestaties op diverse benchmarks aanzienlijk worden verbeterd.
Dit artikel presenteert een systematische vergelijking van vier trainingsdoelen voor het detecteren van out-of-distributie in beeldclassificatie en concludeert dat Cross-Entropy Loss over het algemeen de meest consistente prestaties levert, hoewel andere methoden in specifieke scenario's concurrerend kunnen zijn.
Dit paper introduceert TS-MLLM, een unificerend multi-modaal framework dat tijdsreeksen, frequentiedomeinbeelden en tekstuele kennis combineert via innovatieve mechanismen voor industriële prognose en gezondheidsmanagement, waarbij het aanzienlijk beter presteert dan bestaande methoden, vooral in complexe en few-shot scenario's.
Dit paper presenteert een semi-supervised anomaliedetectieframework op basis van generatieve adversariale netwerken dat is ontworpen voor online implementatie op een hoge-snelheids Blow-Fill-Seal-productielijn, waar het met hoge nauwkeurigheid en binnen strikte tijdsbeperkingen defecten detecteert door enkel te trainen op nominale monsters.
Dit artikel introduceert een analyse-gedreven framework voor de procedurale generatie van een openbaar dataset met 19 uur aan motorgeluiden en nauwkeurige RPM- en koppelannotaties, die de industriële behoefte aan schaalbare, schone trainingsdata voor data-gedreven akoestische modellering en synthese adresseert.
Dit paper introduceert StructAttack, een black-box jailbreak-methode die kwetsbaarheden in Large Vision-Language Models exploiteert door schadelijke inhoud te verbergen in ogenschijnlijk onschadelijke visuele structuren die het model zelf tot een gevaarlijke output assembleert.
Dit paper introduceert DSS-GRPO, een difficulty-geschaalde segment-gebaseerde versterkingsleermethode die Chain-of-Thought-redenering effectief comprimeert zonder de kwaliteit van het eindantwoord te beïnvloeden door de leerprocessen voor 'denken' en 'antwoorden' strikt te scheiden.
Dit paper introduceert MetaSort, een nieuw algoritme dat neurale spike-wavevormen zowel efficiënt comprimeert via een adaptief niveau-kruising-algoritme als nauwkeurig classificeert door gebruik te maken van meta-transfer learning voor few-shot learning.
Het artikel introduceert TT-Sparse, een interpreteerbaar machine learning-model dat differentieerbare waarheidstabellen en een nieuwe soft TopK-operator gebruikt om compacte, exact afleidbare Booleaanse regels te leren die op 28 datasets superieure prestaties leveren met lagere complexiteit dan bestaande methoden.
Dit paper introduceert MAS-H2, een hiërarchisch multi-agent systeem dat de strategische kloof in cloud-native autoscaling overbrugt door bedrijfsbeleidsdoelen om te zetten in proactieve, gecoördineerde schaalplannen, wat resulteert in aanzienlijk lagere CPU-belasting en kostenefficiëntere, onderbrekingsvrije migraties vergeleken met traditionele Kubernetes-oplossingen.
Dit artikel introduceert een nieuw raamwerk voor visuele representatie waarbij video's worden gecodeerd als functies met lage-rang aanpassingen op een bevroren generatief model, waardoor compressie met uiterst lage bitrates mogelijk is en een brug wordt geslagen tussen beeldcompressie en generatie.
Dit artikel introduceert SMAT, een gestructureerd trainingskader voor co-adaptieve exoskeletbesturing dat via een vierstapscurriculum een robuust en subjectonafhankelijk hulpmiddel levert dat de heupspieractivatie met gemiddeld 10,1% verlaagt en consistente positieve mechanische kracht genereert zonder specifieke aanpassing per gebruiker.
Dit paper introduceert een nieuwe siliciumfotonische versneller die de energie-efficiëntie en doorvoersnelheid van diffusiemodellen voor generatieve AI aanzienlijk verbetert ten opzichte van bestaande elektronische platforms.
Dit artikel introduceert een versterkingsleerframework voor exoskeletbesturing dat biologische gewrichtsmomenten reduceert en presenteert een kwantitatieve validatiepiplijn die sterke overeenkomst toont tussen in simulatie getrainde besturingsnetwerken en biologische data, hoewel uitdagingen bij hogere snelheden en steilere hellingen blijven bestaan.
Het paper introduceert HELIX, een hiërarchisch evolutionair reinforcement learning-framework dat in-context ervaringen combineert met beleidsverfijning om open-ended wetenschappelijke problemen effectiever op te lossen dan bestaande methoden, zoals aangetoond door state-of-the-art resultaten op de cirkelpakkingstaak en verbeterde prestaties op machine learning-benchmarks.
Dit artikel introduceert een synthetische data-pipeline op basis van een digitale tweeling van de luchthaven van Algiers die, in combinatie met YOLO-OBB en gemengde training, de annotatie-inspanning voor het detecteren van bagagewagentjes met 25 tot 35 procent verlaagt terwijl de prestaties gelijk blijven aan of beter zijn dan die van modellen getraind op volledige real-world datasets.