11016 papers
Dit artikel toont aan dat diepe ensemble-modellen van neurale netwerken een snelle, nauwkeurige en real-time methode bieden voor kwantumschatting met gekwantificeerde onzekerheid en drift-detectie, zonder in te leveren op de precisie van de schattingen.
Dit paper introduceert de 'Answer-Then-Check'-benadering en het bijbehorende ReSA-dataset om grote taalmodellen veiliger te maken tegen jailbreak-aanvallen door hen eerst een antwoord te laten bedenken en vervolgens de veiligheid daarvan te evalueren, wat resulteert in een betere balans tussen veiligheid en bruikbaarheid.
Dit artikel introduceert VEGA, een systeem voor elektrische voertuigen dat een fysica-informeerde neurale operator combineert met Proximal Policy Optimization om energie-efficiënte routes en laadstops te plannen, wat resulteert in een snellere en generaliseerbare navigatie dan bestaande methoden.
Deze paper introduceert TACE, een nieuw model voor atomaire machine learning dat de complexiteit van sferische-tensorrepresentaties omzeilt door lokale omgevingen te ontleden in irreducibele Cartesische tensoren, waardoor het nauwkeurige en stabiele voorspellingen mogelijk maakt voor zowel scalaire als tensoriële observabelen in moleculen en materialen.
Dit paper introduceert C²Prompt, een nieuwe methode voor federatief continu leren die door middel van lokale klassendistributie-compensatie en klassenbewuste prompt-aggregatie de coherentie van kennis tussen clients verbetert om zowel ruimtelijk als tijdelijk vergeten te verminderen.
Dit artikel introduceert een auto-regressieve U-Net-architectuur die de tijdsafhankelijke schadeontwikkeling in beton op basis van microstructurele geometrie en krimpvoorspellingen efficiënt voorspelt, waardoor inzicht wordt verkregen in de relatie tussen aggregaat eigenschappen en mechanische prestaties voor het optimaliseren van betonsamenstellingen.
Dit paper introduceert GPHDM, een nieuw model dat hyperbolische variëteiten en taxonomische inductieve bias combineert om robotbewegingen te genereren die zowel de hiërarchische structuur van bewegingen als fysieke consistentie behouden.
Deze paper introduceert Planner Aware Path Learning (PAPL), een nieuwe trainingsmethode voor diffusie-taalmodellen die de discrepantie tussen training en planning-gebaseerde inferentie oplost door een aangepaste P-ELBO te gebruiken, wat leidt tot aanzienlijke prestatieverbeteringen in domeinen zoals eiwitsequenties, tekstgeneratie en code.
Dit paper introduceert DAV, een raamwerk dat diffusiemodels optimaliseert voor downstream-doelen door het aligneren als een variational expectation-maximatie-proces te formuleren, waardoor zowel beloning als diversiteit behouden blijven zonder last te hebben van over-optimalisatie of mode-collapse.
Dit paper introduceert een online leer-algoritme op basis van laag-rang matrixbandits dat polarisatie en onenigheid in het Friedkin-Johnsen opiniedynamica-model minimaliseert door de onbekende inheemse meningen van agenten sequentieel te leren en te interveniëren met slechts schaarse feedback.
Dit paper introduceert zelf-speculatieve gemaskerde diffusiemodellen die door het gebruik van causale attentie en geïntegreerde speculatieve bemonstering de benodigde forward-passes voor het genereren van discrete data met ongeveer de helft reduceren ten opzichte van standaardmethoden.
Dit paper introduceert TCR-EML, een nieuw model dat prototype-lagen integreert in taalmodellen voor eiwitten om TCR-pMHC-binding niet alleen nauwkeurig te voorspellen, maar ook direct interpreteerbare inzichten te bieden in de onderliggende biochemische mechanismen.
Deze studie toont aan dat decoder-only modellen, ondanks hun succes in taal, slechter presteren dan encoder-only modellen bij het oplossen van partiële differentiaalvergelijkingen, maar dat deze kloof kan worden gedicht door twee nieuwe methoden, Parallel Flipping en Sequence Doubling, die bidirectionaliteit nabootsen.
Dit onderzoek concludeert dat micro-benchmarks voor taalmodellen vaak onbetrouwbaar zijn bij het rangschikken van modellen met vergelijkbare prestaties, omdat zelfs methoden met 250 voorbeelden nauwelijks beter presteren dan willekeurige steekproeven en veel paarvergelijkingen niet behouden blijven.
Het artikel introduceert CanvasMAR, een nieuw autoregressief videopredictiemodel dat gebruikmaakt van een 'canvas' als globale structuur en een bewegingsgevoelige trainingsmethode om met weinig steppes hoogwaardige en coherente video's te genereren die concurreren met geavanceerde diffusiemethoden.
Dit artikel toont aan dat het injecteren van informatie via een externe synthetische data-verificator modelinval kan voorkomen en zelfs omkeren, waarbij de theorie voorspelt dat dit op de korte termijn verbeteringen oplevert maar op de lange termijn de parameters naar het 'kenniscentrum' van de verificateur convergeert.
Dit paper introduceert een nieuwe intervalgebaseerde bereikbaarheidsmethode voor neurale differentiaalvergelijkingen die, door gebruik te maken van gemengde monotonie, een efficiënte en betrouwbare over-benadering biedt die ideaal is voor hoogdimensionale en veiligheidskritische toepassingen, ten koste van enige nauwkeurigheid.
Dit artikel presenteert een online raamwerk dat gebruikmaakt van een gewijzigde Hankel-DMD met sliding-window en Cadzow-projectie om in real-time ruwe, gedeeltelijke waarnemingen van dynamische obstakels te ontdoen van ruis en te voorspellen voor robuuste robotbewegingsplanning.
Dit paper introduceert KLASS, een trainingsvrije, snelle steekproefmethode voor gemaskerde diffusiemodellen die gebruikmaakt van token-niveau KL-divergentie om meerdere tokens tegelijk te onmaskeren, waardoor de inferentie snelheid aanzienlijk wordt verhoogd zonder in te leveren op de kwaliteit.
Dit paper introduceert CADM, een cluster-gedifferentieerde adaptieve afstandsmetriek voor categorische en gemengde data die rekening houdt met cluster-specifieke verdelingen om de prestaties van clustering te verbeteren.