10882 papers
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.
Deze studie introduceert Graph-Instructed Neural Networks (GINNs) als een robuust en schaalbaar alternatief voor klassieke methoden om parametrische partiële differentiaalvergelijkingen met variërende randvoorwaarden efficiënt en nauwkeurig te simuleren.
Deze paper introduceert een concept-gestuurd fijntuning-framework dat Vision Transformers robuuster maakt tegen distributieveranderingen door hun interne relevantiekaarten automatisch uit te lijnen met semantische objectconcepten, afgeleid van een LLM en VLM, in plaats van te vertrouwen op spurious correlaties zoals achtergronden.
Dit artikel introduceert het concept van sign-identificeerbaarheid voor driftcoëfficiënten in stationaire stochastische differentiaalvergelijkingen met een bekende causale structuur maar onbekende diffusiematrix, en levert criteria om te bepalen of de tekens van causale effecten uniek kunnen worden afgeleid uit observationele covariantiematrices.
Dit artikel introduceert een algemeen framework voor het evalueren van de kwaliteit van warmtekaarten in multiple instance learning-modellen voor histopathologie, waarbij wordt aangetoond dat methoden zoals perturbation en LRP betrouwbaardere verklaringen bieden dan traditionele attention-mechanismen, wat leidt tot betere modelvalidatie en biologische inzichten.
Dit onderzoek toont aan dat het combineren van met de Koopman-operator afgeleide kenmerken (via EDMD met een gespecialiseerd RBD-woordenboek) en transformatoren superieure prestaties levert voor meerklassige ECG-classificatie vergeleken met wavelet-kenmerken of een eenvoudige hybride aanpak.
Dit paper introduceert een efficiëntere Transformer-architectuur die de dichte output-projectie in multi-head attention vervangt door een vaste Walsh-Hadamard-transformatie gecombineerd met een lichte affiene herschaling, wat resulteert in een aanzienlijke vermindering van parameters, geheugengebruik en inferentiekosten zonder in te leveren op prestaties.
Deze paper introduceert een nieuwe methode voor het genereren van plausibele tegenfeitelijke verklaringen voor tijdreeksclassificatie door middel van gradiëntgebaseerde optimalisatie en soft-DTW-alignment, wat resulteert in verklaringen die niet alleen geldig zijn maar ook een realistische temporele structuur behouden die beter aansluit bij de doelklasse dan bestaande methoden.
Dit artikel overbrugt de kloof tussen online en off-policy experimenten door wiskundig te bewijzen dat hun veelgebruikte variantiereductiemethoden, zoals Difference-in-Means en regressie-aanpassing, structureel equivalent zijn aan respectievelijk optimale inverse propensity scoring en doubly robust schatting.
Dit paper analyseert de incentive-structuur van huidige AI-benchmarks, waaruit blijkt dat deze leiden tot strategisch 'benchmaxxing' zonder evenwicht, en stelt dat het 'tune-before-test'-protocol een oplossing biedt die modellen correct rangschikt op basis van hun onderliggende kwaliteit.
Deze paper introduceert een nieuwe optimalisatiealgoritme gebaseerd op fractionele Weyl-integrals die het Markov-aanneming doorbreekt door het gebruik van een dynamisch gewogen historische geheugenoperator, wat leidt tot aanzienlijk betere prestaties bij het hanteren van onevenwichtige datasets zoals fraudeopsporing en medische diagnostiek.
Deze paper introduceert ToCoRL, een framework dat de inherente gedragsplasticiteit van grote taalmodellen benut door middel van token-voorwaardelijke generatie en versterkingslering, waardoor modellen hun gedrag (zoals het schakelen tussen stap-voor-stap redeneren en direct antwoorden) stabiel kunnen aanpassen zonder hun oorspronkelijke vaardigheden te verliezen.
Dit paper analyseert de oorzaken van instabiliteit in niet-lineaire waarde-decompositie voor offline multi-agent versterkingslering en stelt een praktische recept voor dat scale-invariante waarde-normalisatie (SVN) gebruikt om het actor-critic-leren te stabiliseren en de prestaties te maximaliseren.
Dit paper introduceert GCOS, een trainingsframework dat virtuele outliers genereert in de verborgen feature-ruimte die de manifoldstructuur van in-distributie-data respecteren, waardoor de robuustheid van deep neural networks voor het detecteren van out-of-distribution samples aanzienlijk wordt verbeterd.
Dit paper introduceert een nieuw Meta-RL-framework met gedeelde representaties en een hybride actor-critic-architectuur dat snelle aanpassing en verbeterde generalisatie mogelijk maakt voor energiebeheersystemen, zoals aangetoond door experimenten op een real-world dataset van bijna tien jaar.
Dit paper introduceert SYNAPSE, een trainingsvrij raamwerk dat de interne robustheid en kwetsbaarheden van Transformer-modellen analyseert door middel van neuron-rangschikking en interventies, waarbij het een consistente, domeinonafhankelijke organisatie van representaties en asymmetrische specialisatiepatronen onthult.
Dit artikel introduceert IronEngine, een geavanceerd AI-assistentplatform dat via een geünificeerde orchestratiekern en een drie-fasenpipeline planning en uitvoering scheidt, waardoor het een robuuste basis vormt voor algemene persoonlijke assistenten en automatiseringsframeworks.
Dit paper introduceert GRACE, een adaptief raamwerk voor klassen-incrementeel leren dat door middel van een cyclische strategie van uitbreiden, beoordelen en comprimeren een optimale balans bereikt tussen plasticiteit en stabiliteit, waardoor de prestaties worden verbeterd en het geheugengebruik tot 73% wordt gereduceerd.
Deze prospectieve haalbaarheidsstudie toont aan dat een conversational AI (AMIE) in een echte huisartsenpraktijk veilig en effectief kan worden ingezet voor het verzamelen van anamnese en het formuleren van differentiaaldiagnoses, waarbij de kwaliteit vergelijkbaar was met die van huisartsen, hoewel de huisartsen nog steeds beter scoorden op praktische uitvoerbaarheid en kosten-effectiviteit.
LycheeCluster is een nieuwe methode die de inferentie van grote taalmodellen bij lange contexten versnelt tot 3,6x door middel van semantisch bewuste chunking en een hiërarchische indexering van de KV-cache, waardoor de zoektijd van lineair naar logaritmisch wordt gereduceerd met minimale kwaliteitsverlies.