10919 papers
Dit onderzoek onthult dat RL-agenten een scherpe detectiedrempel hebben voor geleidelijke waarnemingsdrift, waarbij het moment van 'wakker worden' wordt bepaald door een complexe interactie tussen detectorgevoeligheid, ruis en de dynamiek van de omgeving, wat in fragiele scenario's kan leiden tot falen vóórdat enige waarschuwing wordt gegeven.
Dit artikel presenteert een adaptieve, entropie-gedreven sensorselectiemethode binnen een camera-LiDAR deeltjesfilter voor robuuste tracking van een enkel vaartuig, die in een realistische maritieme testomgeving in Cyprus een gunstige afweging tussen nauwkeurigheid en continuïteit bereikt door dynamisch te schakelen tussen sensormodi op basis van informatiewinst.
In dit artikel wordt MedCertAIn voorgesteld, een raamwerk dat data-gedreven priors en multimodale klinische gegevens combineert om de prestaties en betrouwbaarheid van onzekerheidsbewuste risicopredicties in de zorg te verbeteren.
Dit paper introduceert een Conditional Information Bottleneck-framework dat Chain-of-Thought-redenering als verliesvolle compressie modelleert om via een semantische prior en versterkingslering de tokenkosten te minimaliseren zonder in te leveren op nauwkeurigheid of logica.
Deze paper introduceert MUSA-PINN, een multi-scale zwakke-vorm PINN-methode die PDE-beperkingen herschrijft als integraalbehoudswetten over hiërarchische controlevolumes om convergentieproblemen en massabehoudsschendingen in complexe TPMS-geometrieën op te lossen en zo de nauwkeurigheid aanzienlijk te verbeteren.
Dit paper introduceert een modelgebaseerde versterkingsleerframework dat Lagrangiaanse neurale netwerken integreert om de dynamica te leren volgens fysische wetten, waarbij wordt aangetoond dat een op toestandschatting gebaseerde optimisatie sneller convergeert dan een stochastische gradientmethode.
Het paper introduceert STRIDE, een dynamisch leerframework dat Lagrangiaanse neurale netwerken combineert met conditionele flow matching om robuuste voorspellingen te maken voor robotica in ongestructureerde omgevingen door conservatieve mechanica te scheiden van stochastische interactie-effecten.
Dit paper introduceert X-AVDT, een robuuste deepfake-detectormethode die gebruikmaakt van audio-visuele kruisattentie-cues uit generatieve modellen via DDIM-inversie, en introduceert het nieuwe MMDF-dataset om de prestaties en generalisatievermogen van detectoren te verbeteren.
Het artikel introduceert NN-OpInf, een nieuw raamwerk voor niet-intrusieve gereduceerde orde-modellering dat via structure-behoudende en composable neurale netwerken dynamische systemen met niet-polynomiale niet-lineariteiten nauwkeuriger en robuuster kan modelleren dan traditionele polynoomgebaseerde methoden.
Dit paper introduceert PolarBear, een raamwerk dat Bayesiaanse racing en rangschikkingen gebruikt om Pareto-optimale anytime-algoritmen te identificeren zonder normalisatie of bekende optima, waardoor een robuuste vergelijking en selectie mogelijk is onder onbekende computatiebudgetten.
Deze paper introduceert een efficiënte methode genaamd 'decalibration' om credale voorspellingen te genereren voor complexe modellen zoals foundation models, waardoor onzekerheid op een rekenkundig haalbare manier kan worden weergegeven zonder het noodzakelijke hertrainen van modelensembles.
Het artikel introduceert Echo2ECG, een multimodaal zelftoezichtend leerframework dat ECG-representaties verrijkt met morfologische informatie uit multi-view echocardiogrammen, waardoor de prestaties bij het voorspellen van structurele hartafwijkingen en het terugvinden van vergelijkbare echo-onderzoeken aanzienlijk verbeteren ten opzichte van bestaande methoden.
Dit paper introduceert Oracle-Guided Soft Shielding (OGSS), een framework dat de veiligheid en prestaties van schaakagents verbetert door een blundervoorspellingsmodel te combineren met een beleidsmodel, waardoor veilige exploratie mogelijk wordt zonder tactische fouten.
Deze paper introduceert een Natural Policy Gradient-algoritme met een multi-level Monte Carlo-schatter dat de inherente bias in concave multi-objective reinforcement learning overwint en zo de optimale steekproefcomplexiteit bereikt.
Deze paper introduceert \texttt{GlobAlign} en \texttt{GlobAlign-E}, nieuwe onbewaakte methoden voor grafalignement die een nieuw 'globale representatie en uitlijning'-paradigma hanteren om de nauwkeurigheid en efficiëntie aanzienlijk te verbeteren ten opzichte van bestaande technieken.
Dit paper introduceert ProReFF, een model dat ongelabelde waarnemingen gebruikt om probabilistische relatieve kenmerken te leren en zo robotagents in staat stelt om objecten in onbekende omgevingen 20% efficiënter te vinden dan bestaande methoden en tot 80% van het menselijke niveau te bereiken.
Dit artikel introduceert de Interactive World Simulator, een framework dat consistentiemodellen gebruikt om snelle en fysiek consistente wereldmodellen te bouwen die dienen als betrouwbaar surrogaat voor het schaalbaar trainen en evalueren van robotbeleidsstrategieën.
Dit artikel introduceert Generative Adversarial Regression (GAR), een raamwerk dat conditionele risicoscenario's leert door generatoren te trainen die via een minimax-formulering de risicoprofielen van werkelijke data onder diverse beleidsstrategieën nabootsen, wat resulteert in robuustere en meer accurate risico-inschattingen dan bestaande methoden.
Deze paper toont aan dat de kwaliteit van compacte toestandsrepresentaties in versterkend leren, die zijn gebaseerd op Laplaciaan-eigenvectoren, direct wordt beïnvloed door de algebraïsche connectiviteit van de overgangsgrafiek, en levert een volledige foutanalyse voor zowel de benadering als de schatting van deze eigenschappen.
Dit paper introduceert een wiskundig raamwerk waarin vertrouwen wordt gebaseerd op de 'overtuiging' van bronnen – de kans dat hun standpunten worden bevestigd door onafhankelijke consensus – en toont aan dat continue verificatie en reputatie de enige robuuste basis vormen voor vertrouwen in foutgevoelige AI-agenten.