10552 papers
Dit artikel introduceert ODA-Fin, een data-gedreven aanpak voor financiële taalmodellen die door middel van hoogwaardige distillatie en difficulty-aware training prestaties verbetert en nieuwe state-of-the-art benchmarks bereikt op diverse financiële taken.
Het paper introduceert LightMedSeg, een lichtgewicht 3D-medische beeldsegmentatiearchitectuur die anatomische prioren en adaptieve contextmodelling combineert om met slechts 0,48 miljoen parameters een nauwkeurigheid te bereiken die vergelijkbaar is met zware transformer-modellen, terwijl het tegelijkertijd de rekenkosten en geheugeneisen drastisch verlaagt.
Dit artikel introduceert een geavanceerde methode voor conditionele rang-rang-regressie met diepe conditionele transformatiemodellen om intergenerationele mobiliteit nauwkeuriger te meten door covariaten te controleren, wat leidt tot betere prestaties bij niet-lineariteit en discrete uitkomsten en wordt toegepast op inkomensmobiliteit in de VS en onderwijsmobiliteit in India.
Dit artikel introduceert PT-RAG, een nieuw twee-traps framework dat differentieerbare, celtype-bewuste retrieval-augmented generation toepast om de respons van cellen op gen-perturbaties nauwkeuriger te voorspellen dan bestaande methoden.
Het paper introduceert WeDas, een plug-and-play framework dat de prestaties van diepe zoekagenten verbetert door de zoekruimte-structuur van het web te integreren en een few-shot probeermethode te gebruiken om zoekopdrachten dynamisch af te stemmen op de lokale inhoudsverdeling.
Deze studie introduceert het LF2L-framework, een methode voor horizontale federated learning die door het fusioneren van verliezen effectief externe SEER-gegevens combineert met lokale Taiwanese data om de voorspelling van tweede primaire longkanker te verbeteren zonder privacy te schenden.
Dit artikel introduceert twee symbolische machine learning-methoden, SyNF en SyTF, die interpreteerbare algebraïsche vergelijkingen leren uit chaotische tijdreeksen om zowel nauwkeurige voorspellingen te maken als inzicht te geven in de onderliggende dynamica.
Deze paper stelt een adaptief raamwerk voor dat individuele no-show-prognoses combineert met multi-objectief versterkend leren om dynamische beslissingen te nemen over het enkel- of dubbelboeken van afspraken in poliklinieken, waardoor wachttijden en congestie worden geminimaliseerd.
Dit paper introduceert Variational Flow Maps, een raamwerk dat voorwaardelijke generatie en inverse problemen oplost door in plaats van een iteratief pad te volgen, een 'noise adapter' te leren die de juiste initiële ruis genereert voor hoogwaardige, één-staps steekproeven.
Dit paper introduceert een snelle en flexibele bandwidth extension-methode op basis van Vocos die ontbrekende hoge frequenties genereert om audio van 8-48 kHz te verbeteren, met een lichtgewicht refiner voor naadloze samenvoeging en uitzonderlijk hoge doorvoer op zowel GPU als CPU.
Deze paper introduceert een spectrale framework dat continue symmetrieën ontdekt door geïnduceerde sparsiteit in de spectrale decompositie via de Generalized Fourier Transform te analyseren, wat een interpreteerbaar alternatief biedt voor bestaande generator-gebaseerde methoden.
Dit paper introduceert AutoResearch-RL, een framework waarin een reinforcement learning-agent zonder menselijke tussenkomst continu neurale architecturen en hyperparameters optimaliseert door code-modificaties voor te stellen en te evalueren totdat een convergentie- of resource-oracle het proces beëindigt.
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.