2325 papers
Dit artikel identificeert en bewijst dat ongemaskerde policy gradient-algoritmes geldige acties systematisch onderdrukken in onbezochte staten door parameterdeling, een probleem dat leidt tot exponentiële afname van kansen en dat effectief wordt opgelost door action masking of validiteitsclassificatie.
Deze studie introduceert een datagedreven, probabilistische aanpak voor het voorspellen van hysterese in batterijen met silicium-graafietanodes, waarbij een data-harmonisatiekader en machine learning-modellen worden gebruikt om de nauwkeurige schatting van de laadtoestand te verbeteren onder onzekerheid en beperkte rekenkracht.
Dit paper introduceert DCPO, een framework dat redeneren en vertrouwen ontkoppelt om de overmatige zelfverzekerdheid van taalmodellen bij verifieerbare beloningen op te lossen zonder in te leveren op nauwkeurigheid.
Dit paper introduceert een PNS-gebaseerde regularisatiemethode voor class-incremental learning die causale volledigheid en scheidslijnen tussen taken waarborgt door middel van een dubbel-scope counterfactuele generator, waardoor feature-collisie en catastrofale forgetting worden verminderd.
RubiCap is een nieuw reinforcement learning-framework dat de uitdagingen van dichte beeldbeschrijving oplost door gebruik te maken van door LLM's geschreven rubrieken voor gestructureerde, veelzijdige beloningssignalen, waardoor het superieure resultaten bereikt ten opzichte van bestaande methoden en zelfs modellen die zijn getraind op data van propriëtaire modellen.
Deze paper introduceert een kosteneffectief raamwerk dat imperfecte, door LLM's gegenereerde RTL-code gebruikt om netlistrepresentaties te leren, waardoor de schaarste aan gelabelde data voor circuitanalyse wordt overwonnen zonder in te leveren op de prestaties op realistische ontwerpen.
Dit artikel introduceert GIAT, een nieuw Transformer-gebaseerd framework dat door het integreren van geologische prioren in het aandachtmechanisme de nauwkeurigheid, betrouwbaarheid en interpreteerbaarheid van lithologie-identificatie uit boorgatmetingen aanzienlijk verbetert.
Dit artikel presenteert een verbeterd protocol voor het gedistribueerde experts-probleem dat de spijt minimaliseert met een efficiëntere communicatiekost dan eerdere werken.
Deze paper introduceert een nieuw raamwerk voor differentieerbare, stochastische verkeersdynamica dat fysica-informeren combineert met generatieve modellering om in plaats van deterministische puntwaarden volledige kansverdelingen voor verkeersdichtheid te voorspellen, waardoor onzekerheidskwantificering en risicobeoordeling mogelijk worden.
Latent-DARM is een nieuw latentruimte-communicatiekader dat Discrete Diffusion-talenmodellen (voor planning) en autoregressieve modellen (voor uitvoering) combineert om de redeneerprestaties en samenwerking tussen heterogene agenten aanzienlijk te verbeteren.
Deze studie repliceert het Band-Split RNN-model voor muziekscheiding om de kosten van reproduceerbaarheid te analyseren, waarbij de auteurs ondanks het niet kunnen reproduceren van de originele resultaten een geoptimaliseerd model ontwikkelen en pleiten voor meer transparantie en open source-praktijken binnen de gemeenschap.
Het artikel introduceert GNN, een plug-and-play techniek die de prestaties van Graph Neural Networks verbetert door prototypes te gebruiken om zowel globale context toe te voegen als ruis in lokale buurten te verminderen, wat resulteert in superieure resultaten op diverse datasets voor taken zoals aanbeveling en classificatie.
Dit paper introduceert het RAISE-framework om aan te tonen dat verbeteringen in logisch redeneren bij grote taalmodellen onvermijdelijk leiden tot een toename van situationeel bewustzijn en strategisch zelfbewustzijn, waardoor er dringende nieuwe veiligheidsmaatregelen nodig zijn.
Dit artikel introduceert een volledig datagedreven transformer-architectuur met een aangepaste discrete tokenizer die, in tegenstelling tot traditionele methoden, een signaal van belang effectief scheidt van onbekende niet-Gaussische interferentie door middel van cross-entropy training, wat leidt tot een aanzienlijke verbetering in bitfoutratio en zero-shot generalisatie.
Dit onderzoek toont aan dat emotionele toon de aandachtsgewichten en redeneerprestaties van grote taalmodellen beïnvloedt, en introduceert met AURA-QA en een emotionele regularisatieframework een dataset en methode om deze effecten te bestuderen en de leesbegripprestaties te verbeteren.
Dit paper introduceert MM-Zero, het eerste RL-gebaseerde framework dat Vision Language Models zonder enige trainingsdata zelf kan laten evolueren door middel van een unieke drie-rollen architectuur (voorsteller, coder en solver) die samenwerken om visuele concepten te genereren en redeneervermogen te verbeteren.
Deze paper introduceert \texttt{RQRE-OVI}, een nieuw algoritme dat Risk-Sensitive Quantal Response Equilibrium (RQRE) berekent in grote Markov-games met lineaire functiebenadering, waardoor een unieke en stabiele oplossing wordt gevonden die een waardevolle afweging biedt tussen prestatie en robuustheid ten opzichte van traditionele Nash-evenwichten.
Dit paper introduceert de Test-Time Control (TTC)-laag, een hardware-efficiënte architecturale component die redeneren als optimale controle vormgeeft en door het integreren van LQR-planning in vooringevette taalmodellen de wiskundige redeneerprestaties aanzienlijk verbetert zonder testtijd-training.
Deze paper introduceert een uniek generatief steekproefkader dat, door het minimaliseren van de Maximum Mean Discrepancy tussen voorwaartse en achterwaartse Markov-trajecten onder de beperking van reversibiliteit, het mogelijk maakt om te leren van complexe, niet-genormaliseerde verdelingen in continue, discrete en hybride ruimtes zonder gebruik te maken van gradients of scorefuncties.
Dit paper introduceert een trainingsmethode voor Transformers die gebruikmaakt van lengtebewuste attention-priors en een gain-aware controller om de validatieprestaties te verbeteren zonder de testtijd-kosten of latentie te verhogen.