11001 papers
Dit artikel onderzoekt de kwetsbaarheid van gepartitioneerde kwantumbesturders voor adversariale perturbaties die circuit-cutting of quantum-teleportatie beïnvloeden, en onthult een fundamenteel verband tussen dergelijke aanvallen en het implementeren van kwaadaardige poorten in de tussenliggende lagen van een kwantumclassificatie.
Dit paper introduceert CAPS, een nieuwe methode die Vector Quantized Variational Autoencoders gebruikt om onbalans in imitatieleer voor autonoom rijden aan te pakken door zeldzame maar waardevolle data-prioriteit te geven, wat leidt tot aanzienlijke verbeteringen in de prestaties en generalisatie van het model.
Deze studie onthult dat de schijnbare effectiviteit van grote taalmodellen (LLM's) voor tijdreeksvoorspelling vaak wordt veroorzaakt door overfitting in de tokenisatie-laag in plaats van de modelcapaciteit zelf, en concludeert dat deze modellen, zelfs met geoptimaliseerde vooropleiding, niet consequent beter presteren dan modellen die specifiek zijn getraind op grote tijdreeksdatasets.
Dit artikel onthult hoe een 'kwaadaardig technisch ecosysteem' van open-source tools en software de huidige AI-governance, zoals de NIST-standaarden, ondermijnt door het creëren van niet-toegestane AI-genereren van intieme beelden van volwassenen mogelijk te maken zonder effectieve regulering.
Dit survey biedt een overzicht van Federated Learning als een privacybehoudend paradigma voor decentrale machine learning, waarbij de architectuur, technische uitdagingen zoals niet-IID-data en communicatie-overhead, en toekomstige trends en toepassingen worden belicht.
In dit artikel wordt FourierSpecNet voorgesteld, een hybride deep-learningframework dat de Fourier-spectrale methode integreert om de complexe botsingsoperator van de Boltzmann-vergelijking efficiënt en nauwkeurig te benaderen, waardoor de rekentijd aanzienlijk wordt verkort zonder in te leveren op de precisie voor zowel elastische als inelastische botsingen.
Deze paper presenteert een schaalbaar heterogeen grafisch neuraal netwerk dat gebruikmaakt van een multi-task leerparadigma om de reconstructie van deeltjesbotsingen bij de LHC te verbeteren door tegelijkertijd vertexassociatie en grafpruning in één raamwerk uit te voeren.
Het artikel introduceert RM-R1, een nieuwe klasse van generatieve beloningsmodellen die beloningsmodellering omvormt tot een redeneertaak via een keten van rubrieken en een twee-staps trainingsproces, waardoor ze zowel interpreteerbaarder zijn als betere prestaties leveren dan bestaande modellen.
Dit artikel introduceert een variant van Polyak-stappenstappen voor entropische spiegelafdaal om lineaire systemen op te lossen zonder restrictieve aannames, waarbij sublineaire en lineaire convergentie wordt bewezen, de impliciete bias in de -norm wordt versterkt, en een alternatieve, exponentiatieloze methode met bewezen convergentie wordt voorgesteld.
Dit artikel introduceert EVA, een nieuw asynchroon tot synchroon (A2S) framework dat door inspiratie uit taalmodellen event-gebaseerde visie verbetert en state-of-the-art prestaties behaalt op zowel herkennings- als detectietaken.
Dit paper introduceert ESGenius, het eerste uitgebreide benchmark voor het evalueren van LLM-kennis over ESG en duurzaamheid, dat bestaat uit een geverifieerde vragenlijst en een corpus van autoritaire bronnen, en aantoont dat Retrieval-Augmented Generation (RAG) de prestaties van modellen in dit domein aanzienlijk verbetert.
Dit paper introduceert ContextBench, een benchmark voor het evalueren van methoden die specifieke latenten of gedragingen in taalmodellen activeren via contextmodificatie, en presenteert verbeterde varianten van Evolutionary Prompt Optimisation die een betere balans bereiken tussen activatiekracht en taalkundige vloeiendheid.
Dit paper introduceert Sysformer, een methode die de veiligheid van ingevroren grote taalmodellen verbetert door adaptieve systeemprompts te leren, waardoor de weerstand tegen schadelijke prompts en de naleving van veilige prompts aanzienlijk stijgt zonder kostbare hertraining van de modelparameters.
Het paper introduceert SPoT, een innovatieve tokenisatiestrategie voor Vision Transformers die tokens continu binnen afbeeldingen plaatst in plaats van op een raster, waardoor de noodzaak voor een groot aantal tokens wordt verminderd en de prestaties in spaarzame regimes aanzienlijk worden verbeterd.
Deze paper introduceert QCAI, een nieuwe post-hoc methode die cross-attention interacties in transformer-decoders kwantificeert om de interpretatie van TCR-pMHC-binding te verbeteren en presteert hierin beter dan bestaande methoden op de nieuwe TCR-XAI-benchmark.
Dit paper introduceert 'DejaVu', een aanval die de integriteit van tijdsynchronisatie in multimodale autonome voertuigsystemen manipuleert door subtiel te vertraagde camera- of LiDAR-data, wat leidt tot een drastische verslechtering van objectdetectie en -tracking en ernstige veiligheidsrisico's zoals botsingen en phantom braking veroorzaakt.
Deze paper introduceert een nieuw student-leraar-framework voor autonoom rijden dat multi-agent versterkende leer gebruikt om automatisch een adaptief curriculum te genereren, waardoor agents betere en evenwichtigere rijgedragingen leren dan met traditionele, op regels gebaseerde scenario's.
Deze paper introduceert de State Space Neural Operator (SS-NO), een compacte architectuur die gestructureerde state space-modellen uitbreidt met adaptieve demping en leerbare frequentiemodulatie om tijd-afhankelijke partiële differentiaalvergelijkingen efficiënter en nauwkeuriger op te lossen dan bestaande methoden.
Deze paper introduceert het nieuwe 'multivariate fields of experts'-kader voor het leren van beeldpriors, dat door middel van Moreau-hullingen van de -norm diverse inverse problemen effectief oplost met een snelheid en parameter-efficiëntie die dicht bij deep learning ligt, maar met behoud van interpretatie en theoretische convergentiegaranties.
Dit artikel biedt een theoretisch inzicht in het gedrag van het Expectation-Maximization-algoritme bij overspecifieerde twee-componenten gemengde lineaire regressie, waarbij wordt aangetoond dat de convergentiesnelheid en statistische nauwkeurigheid sterk afhankelijk zijn van de initiële balans van de menggewichten, met lineaire convergentie en optimale nauwkeurigheid bij onbalans versus sublineaire convergentie en verminderde nauwkeurigheid bij balans.