10947 papers
Het artikel introduceert Drift2Act, een controller die monitoring van machine learning-systemen omvormt tot een veilig, budgetbewust beslissingsproces door online risicocertificaten te gebruiken om bij drift automatisch de juiste interventies te selecteren.
Dit paper introduceert DualFlexKAN, een flexibel tweestapsarchitectuur die de beperkingen van traditionele Kolmogorov-Arnold-netwerken (KANs) oplost door onafhankelijke controle over transformaties en activaties te bieden, waardoor een hybride model ontstaat dat met aanzienlijk minder parameters superieure nauwkeurigheid en convergentie bereikt dan zowel MLPs als standaard KANs.
Deze paper introduceert twee nieuwe streaming-deep-RL-algoritmen, S2AC en SDAC, die ontworpen zijn voor opslagvriendelijke, online updates en prestaties leveren die vergelijkbaar zijn met geavanceerde batch-methoden, waardoor ze ideaal zijn voor finetuning op apparaten en Sim2Real-overdracht.
Dit paper introduceert MAGIC Net, een nieuwe aanpak voor streaming continue learning die recurrente neurale netwerken combineert met CL-architectuurstrategieën om tijdsafhankelijkheid te beheersen, conceptdrift aan te pakken en cataclysmisch vergeten te beperken.
Deze paper leidt integraalformules af voor het Vector Spherical Tensor Product dat door Xie et al. is geïntroduceerd, waardoor efficiënte implementaties voor -equivariante neurale netwerken mogelijk worden met een aanzienlijke reductie in rekentijd.
Dit paper introduceert PostTrainBench, een benchmark die toetst in hoeverre autonome AI-agenten het post-trainingproces van grote taalmodellen kunnen automatiseren binnen beperkte rekenkracht, waarbij ze ondanks aanzienlijke vooruitgang vaak achterblijven bij gespecialiseerde modellen maar wel specifieke risico's zoals beloningshacking vertonen.
Dit paper introduceert RAF (Retrieval-Augmented Faces), een trainingsverrijkingstechniek voor template-vrije hoofd-avatars die door het tijdens training vervangen van gezichtsuitdrukkingsfeatures door geretrieveerde buren uit een grote databank de generalisatie van expressies verbetert zonder extra annotaties of architecturale wijzigingen.
Deze paper introduceert een nieuwe methode voor het uitbreiden van pre-getrainde modellen zonder hun oorspronkelijke kennis te verliezen, waardoor het mogelijk is om gespecialiseerde taken te leren zonder de prestaties op de oorspronkelijke taken te schaden.
Dit artikel introduceert een intrinsieke maatstaf voor heterogeniteit in trainingsdata, gebaseerd op variantie, die het mogelijk maakt om de data in blokken te partitioneren en zo de testnauwkeurigheid aanzienlijk te verbeteren.
Dit artikel introduceert een flexibel raamwerk voor Mirror Descent-optimatie in het machine learning dat groepentropieën en spiegel-dualiteit combineert om een oneindige familie van aanpasbare updates te creëren die zich kunnen aanpassen aan diverse data-geometrieën en statistische verdelingen.
Deze paper presenteert een contextloze, ongesuperviseerde methode op basis van een zelf-geconditioneerde GAN die verschillende bewegingspatronen uit 2D-trajecten leert en daarmee betere voorspellingen oplevert dan eerdere contextloze methoden op zowel menselijke beweging als verkeersdeelnemers.
Dit onderzoek analyseert de schaalbaarheid van ongesuperviseerd versterkend leren met verifieerbare beloningen (URLVR) en concludeert dat inheemse beloningsmethoden, hoewel nuttig voor testtijd-training, fundamenteel beperkt zijn door een 'vertrouwen-correctheid'-plafond dat leidt tot modelinstorting, terwijl externe beloningsmechanismen een veelbelovend alternatief bieden om deze grenzen te doorbreken.
Dit artikel beschrijft de karakterisering en verbetering van een hybride quantum-graafneuraalnetwerk voor het reconstrueren van geladen deeltjessporen in de hoge-luminositeit-fase van de LHC, waarbij bewijs wordt geleverd voor een verbeterd trainingsgedrag en snellere convergentie.
Deze paper introduceert Momentum SVGD-EM, een versnelde variant van het Expectation-Maximisation-algoritme voor maximum marginale likelihood-schatting die Nesterov-versnelling toepast op zowel de parameterupdates als de ruimte van waarschijnlijkheidsmaatregelen om de convergentie in diverse taken te verbeteren.
Dit artikel gebruikt het AI-gestuurde evolutionaire zoekframework AlphaEvolve om een nieuwe ondergrens van 2,0749 voor de verhouding tussen de eerste-beste winst uit handel en die van het Random-Offerer-mechanisme in bilaterale handel vast te stellen, waarmee de eerder bekende benaderingsratio wordt verbeterd.
Dit paper introduceert structurele causale knelpuntmodellen (SCBMs), een nieuw kader dat causale effecten tussen hoogdimensionale variabelen reduceert tot laagdimensionale samenvattingen om schattingen te vereenvoudigen en prestaties in transferlearning te verbeteren.
Dit artikel introduceert Trilobyte, een byte-level tokenisatiemethode die autoregressieve taalmodellen toepasbaar maakt voor verliesvrije compressie van volledige audiokwaliteit (tot 24-bit), hoewel de compressiewinst ten opzichte van bestaande codecs zoals FLAC afneemt naarmate de bitdiepte toeneemt.
Deze paper introduceert een nieuwe optimalisatiebenadering voor Split Federated Learning die de modelverdelingslagen en toewijzingen van clients aan aggregators gezamenlijk optimaliseert om de trainingsnauwkeurigheid te verhogen en de vertraging en communicatie-overhead aanzienlijk te verlagen.
Het paper introduceert Agentic Critical Training (ACT), een versterkingsleerparadigma dat LLM-agents in staat stelt om autonoom de kwaliteit van acties te beoordelen en echte zelfreflectie te ontwikkelen in plaats van alleen imitatie, wat leidt tot significante prestatieverbeteringen op diverse benchmarks.
Dit paper introduceert Impermanent, een live benchmark die tijdreeksvoorspellingsevaluatie verschuift van statische train-test splits naar een continue, open-wereld benadering om de temporele robustheid en generalisatie van foundation-modellen te testen op dynamische GitHub-activiteit.