10860 papers
Dit paper introduceert ELLMob, een zelf-gealigneerd LLM-framework dat menselijke mobiliteit genereert die zowel gewoontes als gebeurtenisgerelateerde beperkingen respecteert, en presenteert het eerste dataset met gebeurtenisannotaties voor drie grote wereldwijde gebeurtenissen.
De auteurs ontwikkelen een versterkingsleer-pipeline die knoopdiagrammen vereenvoudigt en succesvol toepast op zeer moeilijke ontknoopte knopen en de verbinding , waarbij de recent vastgestelde bovengrens van drie voor het ontknooptal wordt bevestigd.
Dit artikel introduceert PSTNet, een lichtgewicht neurale netwerkarchitectuur die fysische principes direct in zijn structuur verwerkt om atmosferische turbulentie in real-time en met hoge nauwkeurigheid te schatten op beperkte hardware, waardoor het een effectief alternatief biedt voor bestaande methoden in veiligheidskritieke vliegtuigsturingssystemen.
Dit paper introduceert Local Constrained Bayesian Optimization (LCBO), een nieuw raamwerk dat de vervlochtenheid van hoge dimensies en complexe beperkingen effectief aanpakt door lokale afdaling en exploratie te combineren, wat resulteert in een polynoomiale convergentiesnelheid en superieure prestaties ten opzichte van bestaande methoden.
Deze studie introduceert en analyseert Mixture-of-Experts-architecturen voor machine learning interatomische potentialen, waarbij een element-wise routing-strategie met niet-lineaire experts en gedeelde experts leidt tot state-of-the-art nauwkeurigheid en chemisch interpreteerbare specialisatie.
In dit paper wordt \$OneMillion-Bench geïntroduceerd, een nieuwe benchmark met 400 door experts samengestelde taken uit vijf professionele domeinen die taalagenten evalueren op hun vermogen om complexe, realistische scenario's met betrouwbare redenering en bronverificatie aan te pakken, in plaats van alleen gestructureerde examenvragen.
Het artikel introduceert MJ1, een multimodale beoordelaar met 3 miljard actieve parameters die door middel van versterkingslering en een gestructureerde keten voor visuele verificatie niet alleen de nauwkeurigheid op benchmarks zoals MMRB2 aanzienlijk verbetert, maar ook grotere modellen zoals Gemini-3-Pro overtreft.
SmartThinker is een nieuwe GRPO-gebaseerde methode die de redeneerlengte van grote taalmodellen dynamisch kalibreert om overbodige tekst te verminderen zonder de nauwkeurigheid te schaden, wat resulteert in aanzienlijke verkorting van de output en verbeterde prestaties op complexe taken.
Deze paper introduceert een geleerde aanpak voor het versnellen van Maximum Inner Product Search (MIPS) door het gebruik van convexe neurale netwerken (SupportNet en KeyNet) om de ondersteuningsfunctie van een dataset te benaderen en zo de optimale sleutel direct te voorspellen voor een gegeven query.
FedMomentum is een nieuw framework voor federatief fine-tunen van grote taalmodellen met LoRA dat door middel van SVD de trainingsmomentum behoudt en zo de convergentiesnelheid en nauwkeurigheid verbetert ten opzichte van bestaande methoden.
Dit paper introduceert CAMEL, een rekenkracht-efficiënte methode die een capaciteitsbewuste mengwet en een voorspellingswet voor benchmarkprestaties gebruikt om de data-mengsels voor grote taalmodellen te optimaliseren, wat leidt tot een halvering van de optimalisatiekosten en een verbetering van de downstream-prestaties.
In dit paper wordt GCGNet voorgesteld, een graf-consistente generatieve netwerkarchitectuur die door middel van variatiegeneratie, grafstructuur-afstemming en grafverfijning robuuste en nauwkeurige tijdreeksvoorspellingen met exogene variabelen mogelijk maakt door zowel temporale als kanaalcorrelaties gezamenlijk te modelleren.
Dit paper introduceert CDRRM, een nieuw framework dat gebruikmaakt van een contrast-gebaseerde aanpak om interpreteerbare en betrouwbare rubrieken te genereren voor beloningsmodellen, waardoor de afhankelijkheid van dure expertannotaties wordt verminderd en de prestaties op diverse benchmarks worden verbeterd met slechts een beperkt aantal trainingsvoorbeelden.
Dit artikel introduceert SFed-LoRA, een framework dat de instabiliteit van LoRA in federatief leren door clientgrootte en rang veroorzaakt, corrigeert door een optimale schalingsfactor af te leiden die de aggregatiefout minimaliseert en zo stabielere en snellere convergentie mogelijk maakt zonder de modelarchitectuur te wijzigen.
Deze studie presenteert een diep-leringsframework voor adversariaal domeinadaptatie dat effectieve kennisoverdracht tussen heterogene RNA-seq-datasets mogelijk maakt, waardoor de nauwkeurigheid van kanker- en weefselclassificatie aanzienlijk verbetert, vooral in scenario's met beperkte data.
Dit paper introduceert Deterministic Differentiable Pruning (DDP), een methode die stochastische elementen uit de gestructureerde pruning van grote taalmodellen verwijdert door een deterministische zachte surrogate te optimaliseren, wat leidt tot snellere convergentie, minder discrepantie tussen training en test, en betere prestaties bij hoge sparsiteit.
Dit artikel introduceert een hybride quantum-klassiek neurale netwerk dat variabele quantumkringen integreert in een GRU-architectuur voor het nauwkeurig en robuust voorspellen van multivariate fysiologische tijdsreeksen in klinische settings.
Hoewel het autoregressieve TRM-model geen betrouwbare prestatieverbeteringen bood ten opzichte van standaardmodellen, tonen de resultaten aan dat twee-staps verfijningsmechanismen in het algemeen veelbelovend zijn voor kleine autoregressieve taken.
Dit paper introduceert EAGLE-Pangu, een reproduceerbaar systeem dat boomgestructureerde speculatieve decoding op Ascend NPUs veilig implementeert voor Pangu-modellen, waardoor de doorvoersnelheid aanzienlijk wordt verbeterd ten opzichte van traditionele methoden.
Dit paper introduceert het DC-W2S-framework, dat door middel van dubbele consensus-metingen en een slimme trainingscurriculum betrouwbare Procesbeloningsmodellen voor biologisch redeneren mogelijk maakt met behulp van ruwe, zwakke supervisie zonder de noodzaak van uitgebreide expertannotatie.