10972 papers
Dit artikel presenteert een mixed-frequency benadering om het Meese-Rogoff-probleem op te lossen en de voorspellingskracht van wisselkoersen (CAD/USD) te verbeteren door informatieverlies door temporele aggregatie te voorkomen.
Deze paper presenteert een interpreteerbaar kader voor het classificeren van foetale ultrasone beelden dat gebruikmaakt van medische concepten en een concept-gebaseerde GCN om de beslissingsprocessen van diepe neurale netwerken transparant en klinisch begrijpelijk te maken.
Dit artikel presenteert een neurale netwerkmodel dat de sterke correlatie tussen COVID-19 en dengue aantoont en een LSTM-benadering gebruikt om dengue-uitbraken in landen met onvoldoende data te voorspellen op basis van COVID-19-statistieken.
Dit artikel presenteert een schaalbaar en robuust algoritme voor snelle toestandsschatting in elektriciteitsnetwerken met behulp van Graph Neural Networks op factorgrafen, dat nauwkeurige resultaten levert en resistent is tegen lokale storingen van PMU's.
Dit artikel introduceert Ancestral GFlowNet (AGFN), een nieuw algoritme dat causale ontdekking onder latent verstorende factoren combineert met zowel voorafgaande als onzekere expertkennis via een Bayesiaanse versterkende leerbenadering, waarbij bewezen wordt dat het convergeert naar het ware causale model.
Dit artikel introduceert een unificerend raamwerk voor het leren van objecten uit willekeurige lineaire metingen met behulp van niet-lineaire modellen, waarbij nieuwe generalisatiegrenzen worden afgeleid die de benodigde hoeveelheid data relateren aan de structurele eigenschappen van het model en de interactie met het meetproces.
Dit paper leidt theoretische ondergrenzen af voor de energie-efficiëntie van ideale neuromorfe leer-in-geheugen-optimizers door de thermodynamica van niet-evenwichtsleren te modelleren, waarbij de energiebarrières van fysieke geheugenelementen worden afgestemd op de dynamiek van optimalisatie en consolidatie.
Deze paper introduceert een pose-bewust in-context visueel leersysteem (PA-ICVL) voor Vision-Language Models dat de detectie van semantische structurele hallucinaties in cartoon-afbeeldingen aanzienlijk verbetert door naast RGB-beelden ook pose-informatie te gebruiken.
Deze paper introduceert BInD, een diffusiemodel dat gelijktijdig moleculen en hun interacties met een doelwit-eiwit genereert om een evenwichtige optimalisatie van meerdere doelen in structurele geneesmiddelenontwerp te bereiken.
Dit artikel introduceert een innovatief tweestaps actief leerproces voor spraakherkenning dat onbewaakte x-vector-clustering combineert met een bewaakte Bayesiaanse batch-methode om de labelinspanning aanzienlijk te reduceren terwijl de prestaties op diverse testsets worden geoptimaliseerd.
Dit artikel biedt een uitgebreide review en formele specificatie van voorspellende coderingsnetwerken, een neurobiologisch geïnspireerd raamwerk dat gebruikmaakt van inferentie-leren in plaats van backpropagatie en dat zowel voor toezicht als voor generatieve modellering een veelbelovende basis vormt voor toekomstige innovaties in machine learning.
Dit artikel concludeert dat grote taalmodellen zoals ChatGPT geen autonome agenten zijn volgens belichaamde theorieën van de geest, maar eerder 'spookachtige' gesprekspartners die, ondanks hun gebrek aan eigen doelen en lichamelijkheid, wel degelijk nieuwe vormen van menselijke agency transformeren door een unieke koppeling met de gebruiker.
Het artikel introduceert PACE, een methode die parameter-efficiënt fine-tuning combineert met consistentieregulering om de generalisatie van modellen te verbeteren door gradiëntnormen te verkleinen en kennis uit vooraf getrainde modellen te behouden.
FALCON is een zelftoezichtend voortrainingsmodel dat objectgerichte maskering en toekomstige reconstructie combineert om de prestaties van UAV-actieherkenning op ruwe RGB-beelden te verbeteren door de aandacht te richten op relevante objecten in plaats van rommelige achtergronden.
Deze studie presenteert een efficiënte zelftoezichtsmethode voor het reconstrueren van onregelmatige seismische data, die gebruikmaakt van een lichtgewicht netwerk en zelfconsistentieleren zonder extra datasets, waardoor stabiele en hoogwaardige resultaten worden bereikt voor complexe aardkundige exploratie.
Dit artikel introduceert Ditto, een diffusion-gebaseerd framework voor het real-time genereren van controleerbare praatkoppen met fijne expressies en lage vertraging, door middel van een geoptimaliseerde motion-space diffusiemodel en diverse conditionele signalen.
Deze paper introduceert een -geregulariseerde variant van de kwadratische oppervlakte support vector machine die overfitting en interpretatieproblemen oplost door middel van een efficiënt straffingsontbindingsalgoritme dat wiskundig bewezen optimale oplossingen levert en uitstekende prestaties laat zien op zowel benchmark- als kredietdatasets.
Deze survey biedt een gestructureerd overzicht van hoe grote multimodale taalmodellen het wetenschappelijke proces transformeren door onderzoekers te ondersteunen bij literatuuronderzoek, het genereren van ideeën, experimenten, contentcreatie en evaluatie, terwijl het ook de methoden, beperkingen en ethische risico's van deze AI-gestuurde ontdekkingen belicht.
Deze paper introduceert FragFM, een hiërarchisch framework dat fragment-niveau discrete flow matching en een stochastische fragmentzak-strategie combineert om efficiënte, schaalbare en eigenschapsbewuste moleculaire generatie mogelijk te maken, terwijl het ook een nieuwe benchmark voor natuurlijke producten (NPGen) presenteert om de prestaties van generatieve modellen in de drugontdekking te evalueren.
Dit paper introduceert SysDPO, een raamwerk dat Direct Preference Optimization uitbreidt naar Compound AI-systemen door deze als gerichte acyclische grafen te modelleren, waardoor effectieve systeemgerichte uitlijning mogelijk wordt ondanks niet-differentieerbare interacties en de complexiteit van het vertalen van systeemvoorkeuren naar componentniveau.