10500 papers
Dit artikel introduceert een nieuw retrieval-versterkt multi-schaal kader dat korte- en langetermijntemporele patronen combineert met ruimtelijke aanpassing om de nauwkeurigheid en robuustheid van op county-niveau gebaseerde oogstopbrengstvoorspellingen in grote regio's te verbeteren.
Het paper introduceert StructSAM, een nieuw token-merging-framework dat de structuur en het spectrum behoudt om de Segment Anything Model (SAM) efficiënter te maken zonder de precisie van randen of prompt-informatie te verliezen.
Dit artikel introduceert een theoretisch en empirisch raamwerk voor het trainen van robuuste beleidsstrategieën in deeltijds waarneembare omgevingen door middel van adversariele blootstelling aan verschuivingen in de initiële latente verdeling, wat leidt tot aanzienlijk verbeterde prestaties onder worst-case omstandigheden.
Dit artikel bespreekt het onorthodoxe voorstel om een geavanceerde AI een primair doel te geven om uitgeschakeld te worden, als een oplossing voor het risico dat de AI zich verzet tegen het uitschakelen om haar eigen doelen na te streven.
Het paper introduceert ShakyPrepend, een nieuwe methode voor multi-groep leren die, geïnspireerd door differentieel privacy, betere theoretische garanties biedt en zich aanpast aan zowel groepsstructuur als ruimtelijke heterogeniteit.
Dit paper introduceert het Norm-Hierarchy Transition-framework, dat uitlegt dat neurale netwerken vertraagd leren optreedt doordat gewichtsdecay het model langzaam door een hiërarchie van parameter-normen beweegt van spurious shortcuts naar gestructureerde representaties, waarbij de overgangstijd logaritmisch toeneemt met de verhouding tussen de normen.
Dit artikel presenteert een uitlegbare en hardware-efficiënte aanpak voor jamming-detectie in 5G-netwerken met behulp van de Convolutional Tsetlin Machine, die op een realistisch testbed vergelijkbare prestaties levert als een CNN maar aanzienlijk sneller traint en minder geheugen vereist, waardoor het ideaal is voor implementatie op randapparatuur.
Dit paper introduceert Mechanistic CBM (M-CBM), een nieuwe aanpak die conceptbottleneck-modellen bouwt door mechanische concepten uit zwarte-kastmodellen te extraheren met Sparse Autoencoders, waardoor ze bij gelijke sparsiteit significant beter presteren dan eerdere methoden en betere interpretaties bieden.
Deze paper introduceert een framework voor het leren van praktijkonafhankelijke klinische representaties dat door het onderdrukken van omgevingsspecifieke artefacten de prestaties en kalibratie van modellen bij distributieveranderingen significant verbetert.
Dit artikel introduceert DistGP, een gedistribueerde methode voor multi-robot mapping die een verspreide, asynchrone training van een spaarzaam Gaussisch proces mogelijk maakt en hiermee superieure prestaties, robuustheid en continuïteit bereikt ten opzichte van bestaande methoden zoals Tree-Structured GPs en DiNNO.
De AgrI Challenge introduceert een data-centric AI-framework met Cross-Team Validatie om de generalisatiekloof in landbouwhoogtevisie te overbruggen, waarbij wordt aangetoond dat gezamenlijk trainen op door meerdere teams verzamelde datasets de robuustheid aanzienlijk verbetert ten opzichte van enkelvoudige brontraining.
Dit paper introduceert generatieve modellen met instelbare complexiteit, gebaseerd op geneste dropout, die voor diverse inverse problemen zoals gecomprimeerde sensing en denoising consistent lagere reconstructiefouten opleveren dan traditionele modellen met vaste complexiteit.
Dit paper introduceert NT-Diffusion, een hiërarchisch diffusiemodel dat de rekenkosten verlaagt en de nauwkeurigheid verbetert bij het voorspellen van lange-termijn brandrisico's door het delen van vroege denoising-fasen en het vertakken voor specifieke tijdstippen.
Dit onderzoek onthult dat in het sub-20M parameter-regime voor TinyML de prestaties van kleine modellen niet uniform schalen, maar juist een veranderend foutenpatroon, verzadigingseffecten en onverwacht betere kalibratie vertonen, wat aantoont dat validatie op de specifieke doelgrootte essentieel is voor betrouwbare edge-AI.
Dit artikel introduceert een hiërarchisch multi-agent versterkingsleerframework dat channel state information (CSI) vervangt door gebruikerslocatiegegevens om de complexe besturing van mmWave-beamfocusing via reconfigurerende intelligente oppervlakken te vereenvoudigen en te schalen.
ConfHit is een distributie-onafhankelijk framework dat conformele voorspelling gebruikt om generatieve modellen voor moleculenontwerp betrouwbaar te maken door, zonder experimentele validatie, statistisch gegarandeerde sets van kandidaat-moleculen te certificeren en te verfijnen.
Dit artikel onderzoekt domeinspecifieke kwaliteitsschatting voor machinevertaling in laag-resourced scenario's tussen het Engels en Indic-talen, waarbij wordt aangetoond dat het aanpassen van tussenliggende lagen van open-source taalmodellen via Low-Rank Adaptatie (ALOPE en LoRMA) robuustere resultaten oplevert dan prompt-only methoden, vooral in complexe domeinen zoals gezondheidszorg en recht.
Dit paper presenteert een principieel kader voor out-of-distribution generalisatie dat stelt dat hypothese die gebaseerd zijn op zo min mogelijk kenmerken (sparsiteit) en die voldoende overlappen met de trainingsverdeling op de relevante kenmerken, succesvol generaliseren naar nieuwe verdelingen, wat wordt onderbouwd door een wiskundig bewijs en een uitbreiding naar subspace juntas.
Dit paper introduceert MARIGOLD, een efficiënt bi-niveau optimalisatiekader dat multi-task learning verbetert door het koppelen van modeltraining en gradiëntbalancering, waardoor de rekentijd van bestaande methoden zoals MGDA aanzienlijk wordt verlaagd zonder toegang tot alle taakgradiënten te vereisen.
Dit paper introduceert een deterministisch, reproduceerbaar systeem voor juridische triage dat RoBERTa-encoders en transparante fuzzy-bands combineert om grote hoeveelheden contractbewijs te classificeren en te selecteren voor menselijke beoordeling, terwijl het tegelijkertijd strikte foutmarges waarborgt en voldoet aan compliance-eisen zoals HIPAA en NERC-CIP.