10784 papers
Dit paper introduceert ALOOD, een nieuwe methode die taalrepresentaties van een vision-language model gebruikt om LiDAR-gebaseerde 3D-objectdetectiesystemen in staat te stellen onbekende (out-of-distribution) objecten te herkennen als een zero-shot classificatietask, waardoor de veiligheidsrisico's van verkeerd vertrouwen in autonome rijsystemen worden verminderd.
Het artikel introduceert AutoAdapt, een geautomatiseerd end-to-end framework dat gebruikmaakt van een multi-agent debatsysteem en een LLM-gebaseerde surrogate (AutoRefine) om de complexe en kostbare handmatige domeinadaptatie van grote taalmodellen te stroomlijnen en de nauwkeurigheid aanzienlijk te verbeteren.
In dit artikel wordt SERQ voorgesteld, een methode voor post-training kwantisatie van grote taalmodellen die gebruikmaakt van salientie-bewuste foutreconstructie met een enkele laag-rang compensatiematrix om de nauwkeurigheid bij 4-bit inferentie aanzienlijk te verbeteren zonder de inferentielatentie significant te verhogen.
Dit artikel introduceert een hybride oplossingframework dat Real Options Analysis combineert met een Transformer-gebaseerde Proximal Policy Optimization-algoritme om onder onzekerheid en met spillovereffecten de optimale sequentiële uitbreiding van dienstgebieden te bepalen binnen capaciteitsbeperkingen.
Dit artikel pleit voor het verbeteren van bestaande benchmarks voor tabulaire foundation-modellen door het gebruik van proper scoring rules, zoals de CRPS, om probabilistische regressie te evalueren in plaats van alleen puntenschattingen, en benadrukt het belang van het afstemmen van deze modellen op de gekozen scorefunctie.
Dit onderzoek vergelijkt verschillende afstandsmetingen om verouderde gradiënten in asynchrone federatief leren beter te detecteren en te aggregeren, wat leidt tot robuustere en efficiëntere modeltraining onder heterogene en niet-IID-omstandigheden.
Dit artikel introduceert een Wiener Chaos Expansion-gebaseerde neurale operator met FiLM-modulatie die singulariteit in stochastische partiële differentiaalvergelijkingen, zoals het dynamische - en -model, nauwkeurig simuleert zonder renormalisatiefactoren.
Deze studie onthult dat jailbreaks in grote taalmodellen voortkomen uit een mechanische strijd tussen de inherente neiging van het model om tekst voort te zetten en de veiligheidsverdedigingen die door training zijn opgebouwd, waarbij de verplaatsing van een voortzettingstrigger de succeskans aanzienlijk vergroot.
Dit paper introduceert Fibration Policy Optimization (FiberPO), een unificerend framework dat trust-region theorie en een algebraïsche fibratiestructuur combineert om multi-schaal stabiliteitscontrole en verbeterde token-efficiëntie te bieden voor de optimalisatie van grote taalmodellen.
Dit artikel presenteert een interpreteerbaar systeem dat neurale processen gebruikt om de fysiologische ontwikkeling van patiënten te voorspellen en zo de overgang van intraveneuze naar orale antibiotica te optimaliseren door patiënten te prioriteren op basis van klinische richtlijnen in plaats van historische beslissingen.
FedPrism is een adaptief framework voor federatief leren dat prestaties onder niet-IID-omstandigheden verbetert door middel van prismadecompositie voor dynamische clientgroepering en een dubbelstroomontwerp dat voorspellingen baseert op het vertrouwen van lokale specialisten.
FlowTouch is een nieuw model dat visuele informatie omzet in voorspelde tactiele patronen via een object's lokale 3D-mesh, waardoor het de beperkingen van camera-afhankelijkheid overbrugt, de sim-naar-real-kloof dicht en toepasbaar is voor het voorspellen van grijpstabiliteit.
Deze paper introduceert de ReinMax-Rao en ReinMax-CV schatters, die Rao-Blackwellisatie en controlevariatietechnieken toepassen op de ReinMax-methode om de hoge variantie bij het trainen van modellen met discrete latente variabelen te verminderen en zo de prestaties te verbeteren.
Deze paper introduceert een volledig adaptief MagNav-systeem dat met behulp van een uitgebreide Kalman-filter en een beperkt neurale netwerk de magnetische interferentie van een vliegtuig tijdens de vlucht in real-time kalibreert, waardoor nauwkeurige navigatie mogelijk wordt zonder voorafgaande kalibratievluchten.
Dit onderzoek toont aan dat cross-model geleide bias-detectie de kosten voor het identificeren van vooroordelen in financiële taalmodellen aanzienlijk kan verlagen door gebruik te maken van consistente patronen in bias-revelerende inputs tussen verschillende modellen.
Deze paper introduceert SCL-GNN, een nieuw raamwerk dat de generalisatie van Graph Neural Networks verbetert door het identificeren en mitigeren van spurious correlaties via de Hilbert-Schmidt Independence Criterion (HSIC) en een efficiënte bi-level optimalisatiestrategie.
Dit paper introduceert TA-RNN-Medical-Hybrid, een interpreteerbaar en tijdbewust deep learning-framework dat onregelmatige klinische data en medische concepten combineert om de mortaliteitsrisicovoorspelling op de IC te verbeteren en transparante inzichten te bieden.
Het artikel introduceert PolyFormer, een physics-informed machine learning-model dat complexe fysische beperkingen omzet in efficiënte polytopische herschrijvingen, waardoor schaalbare optimalisatieproblemen tot 6.400 keer sneller kunnen worden opgelost met behoud van hoge oplossingskwaliteit.
Dit artikel presenteert een sublineaire Bayesiaanse regret-begrenzing voor het GP-PSRL-algoritme in continue besturingsproblemen met onbegrensde toestanden, waarbij wordt aangetoond dat bezochte toestanden met hoge waarschijnlijkheid binnen een bijna constante straal blijven en een strakke afhankelijkheid van de maximale informatiewinst wordt bereikt.
Dit paper toont aan dat Sharpness-Aware Minimization (SAM) bij diepe lineaire netwerken een dieptegedreven impliciete bias vertoont die fundamenteel verschilt van gradient descent, waarbij -SAM gevoelig is voor initialisatie en -SAM een uniek fenomeen van sequentiële kenversterking vertoont dat de beperkingen van onbeperkte impliciete-biasanalyses blootlegt.