2325 papers
Dit paper introduceert MASEval, een framework-onafhankelijke bibliotheek die de evaluatie van LLM-agent-systemen uitbreidt van enkel modellen naar het volledige systeem, waarbij wordt aangetoond dat de keuze van het framework even belangrijk is als die van het model voor de prestaties.
Dit artikel toont theoretisch en empirisch aan dat hybride sequentiemodellen, die Transformer- en state-space-lagen combineren, fundamentele beperkingen van niet-hybride modellen overwinnen door met minder parameters en werkgeheugen complexe taken op te lossen, terwijl ze tegelijkertijd superieure generalisatie en robuustheid bieden.
Het paper introduceert APPLV, een methode die Vision-Language-Action-modellen gebruikt om parameters voor klassieke navigatieplanners adaptief te leren, waardoor robots beter kunnen navigeren in onbekende en sterk beperkte omgevingen dan bestaande methoden.
Deze studie toont aan dat channel-centric modellen onvoldoende zijn voor het voorspellen van end-to-end prestaties in private 5G-netwerken omdat ze de MIMO-lagen systematisch overschatten, terwijl datagestuurde modellen die direct op doorvoer meten aanzienlijk nauwkeuriger zijn.
Deze paper introduceert FSbuHD, een nieuw feature-selectiemodel gebaseerd op fuzzy ruwe settheorie voor hybride informatiesystemen dat de berekening van fuzzy-equivalentierelaties via afstanden optimaliseert en het probleem omzet in een optimalisatieopgave, waardoor het in zowel normale als optimistische modi efficiënter en effectiever is dan bestaande methoden.
Deze paper introduceert Transfer-Informed Betting, een nieuwe methode voor selectieve voorspelling die bestaande onzekerheidskaders combineert met domeinoverdracht om in data-schaarse situaties sterkere risicogaranties te bieden dan traditionele methoden.
Dit paper introduceert FedLECC, een lichtgewicht client-selectiestrategie voor Federated Learning die clusters en lokale verliezen gebruikt om onder niet-IID-omstandigheden de testnauwkeurigheid te verhogen en communicatiekosten aanzienlijk te verlagen.
Dit artikel presenteert een uitgebreid privacy-evaluatiekader dat drie methoden combineert om het risico op memorisatie van gevoelige genomische data in Genomic Language Models te kwantificeren, waarbij wordt vastgesteld dat geen enkele aanvalsmethode het volledige risico dekt en dat multi-vector auditing noodzakelijk is.
Dit paper introduceert een volledig differentieerbare methode met continu gereduceerde Bernoulli-gates om Strong Lottery Tickets te ontdekken door alleen de gating-parameters te trainen, waardoor tot 90% sparsiteit wordt bereikt met minimale nauwkeurigheidsverlies zonder de beperkingen van bestaande niet-differentieerbare selectiemethoden.
Het paper introduceert MedCBR, een nieuw raamwerk dat conceptbottleneck-modellen combineert met visueel-taalmogelijkheden en klinische richtlijnen om interpreteerbare, op redenering gebaseerde medische diagnoses te genereren die de expertlogica nabootsen.
Dit paper presenteert een hiërarchisch versterkt leermethodiek die digitale tweelingen en multi-fidelity netwerken combineert om de antenne-helling en dataverzamelstrategie te optimaliseren, waardoor de verzamelvertraging met tot 28,01% wordt verminderd terwijl de gebruikersdatatransmissie wordt gemaximaliseerd.
Dit paper introduceert Guardian, een interpreteerbaar besluitvormingssysteem dat Markov-ketens, versterkende leerling en LLM's combineert om dynamische zoekplannen voor vermiste kinderen te genereren op basis van ongestructureerde data.
Dit paper introduceert BiCLIP, een eenvoudig framework dat door het toepassen van een gestructureerde geometrische transformatie op multimodale kenmerken, gebruikmakend van een klein aantal ankers, state-of-the-art prestaties bereikt bij few-shot classificatie in gespecialiseerde domeinen.
Dit artikel introduceert ULFS-KDPE, een schatter op basis van een universeel minst gunstig submodel in een reproducerende kern-Hilbertruimte die pad-differentieerbare parameters in niet-parametrische modellen schat met semiparametrische efficiëntie zonder expliciete afleiding van efficiënte invloedfuncties.
Deze thesis onderzoekt hoe machine learning-benaderingen voor simulatiegebaseerde inferentie vaak tot oververzekerde conclusies leiden en stelt methoden voor, zoals 'balancing' en Bayesiaanse neurale netwerken, om deze oververzekerde schattingen te corrigeren en meer betrouwbare, gekalibreerde resultaten te garanderen.
Dit paper introduceert Guardian, een end-to-end systeem dat een meermodel-pipeline met consensusmechanismen en QLoRA-finetuning gebruikt om de eerste 72 uur van zoektochten naar vermiste personen te ondersteunen door middel van gecontroleerde, auditabele informatie-extractie.
Dit overzicht introduceert versterkend leren als een veelbelovende, zij het imperfecte, aanvulling op de toolkit van de computationele econoom, waarmee complexe, hoog-dimensionale economische modellen kunnen worden opgelost die traditionele dynamische programmering weerstaan, terwijl tegelijkertijd de praktische beperkingen en afhankelijkheid van nauwkeurige simulatoren worden erkend.
Dit paper introduceert de -ongelijkheid om aan te tonen dat MoE-modellen tijdens inferentie structureel worden benadeeld door hergebruiksfragmentatie, waardoor ze bij lange contexten vaak minder efficiënt zijn dan kwalitatief gelijkwaardige dichte modellen.
Dit paper introduceert Semantic Level of Detail (SLoD), een raamwerk dat via warmtekernel-diffusie op hyperbolische variëteiten een continue zoomoperator biedt voor het automatisch detecteren van kwalitatieve grenzen tussen abstractieniveaus in kennisgrafieken zonder menselijke supervisie.
Dit artikel introduceert MAcPNN, een decentrale leerparadigma voor IoT-datastromen dat gebaseerd is op Vygotsky's socioculturele theorie en waarbij autonome apparaten alleen bij prestatieverlies om hulp vragen aan elkaar via quantized Continuous Progressive Neural Networks, waardoor concept drift en vergeten effectief worden aangepakt met minder communicatie dan federated learning.