10552 papers
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.
Dit artikel introduceert de Decoupled Expected Quadratic Loss (DEQL) om het EDLAE-model voor aanbevelingssystemen te generaliseren, waardoor efficiënte oplossingen voor de hyperparameter mogelijk worden die betere prestaties leveren dan de oorspronkelijke -benadering.
Deze paper introduceert het concept van 'Context Channel Capacity' als een informatie-theoretisch raamwerk dat aantoont dat architecturale aanpassingen, in plaats van algoritmische optimalisaties, essentieel zijn om catastrofaal vergeten in continu leren te voorkomen door de contextpaden structureel onmisbaar te maken.
Het artikel introduceert DualSpec, een heterogeen speculatiekader voor diepe onderzoeksagenten dat de eind-tot-eind latentie aanzienlijk verlaagt door het onderscheid tussen 'Search'- en 'Visit'-acties te benutten en zo tot 3,28x versnelling te bereiken zonder nauwkeurigheidsverlies.
Dit paper introduceert OrthoFormer, een transformer-architectuur die instrumentele variabele schatting via neurale controlefuncties integreert om correlatief leren te overwinnen en causale mechanismen te modelleren voor robuustheid bij distributieveranderingen.
Dit paper introduceert AndroidWorld-Generalization, een benchmark en een schaalbaar RL-trainingsysteem dat Group Relative Policy Optimization (GRPO) combineert om de generalisatie van vision-language-model agents voor mobiele apparaten te evalueren en te verbeteren, waarbij wordt aangetoond dat versterkte leerprestaties significant zijn voor onbekende taakinstanties maar nog beperkt blijven voor onbekende sjablonen en applicaties.
Dit paper introduceert Data Agent, een end-to-end dynamisch framework dat dataselectie formuleert als een sequentieel beslissingsprobleem om training te versnellen en kosten te verlagen zonder prestatieverlies, door een adaptieve selectiebeleid te leren dat samen met de modeloptimalisatie evolueert.
Dit artikel presenteert kosten-gedreven representatieleren voor Lineair Kwantitatief Gaussische (LQG) controle met onvolledige observaties, waarbij twee methoden worden onderzocht voor het leren van een latente dynamische model en wiskundige garanties worden geboden voor de optimaliteit van de gevonden controller.
Dit paper introduceert PACT, een fijnafstappingsframework dat veiligheidsdrift voorkomt door de betrouwbaarheid van het model op specifieke veiligheidstokens te regulariseren tijdens het trainen op onschadelijke data, waardoor de veiligheid behouden blijft zonder de prestaties op downstream-taken te schaden.