11021 papers
Dit paper introduceert FireScope, een VLM-gebaseerd raamwerk dat chain-of-thought redenering combineert met visuele supervisie om op Sentinel-2-beelden en klimaatdata gebaseerde, interpreteerbare en cross-continentaal generaliserende wildvuurrisicokaarten te genereren.
Deze paper introduceert EgoCogNav, een multimodaal raamwerk voor egocentrische navigatie dat cognitieve factoren zoals waargenomen onzekerheid integreert om menselijk gedrag beter te voorspellen, vergezeld van een nieuw dataset genaamd CEN.
Het artikel introduceert SPINE, een token-selectief test-tijd versterkingsleerframework dat alleen kritieke besluitvormingspunten in redeneringsketens aanpast met entropie-band regularisatie om instabiliteit en lengte-inzakking te voorkomen, waardoor de prestaties van grote taalmodellen zonder labels worden verbeterd.
In dit artikel wordt DAISI voorgesteld, een schaalbaar filteralgoritme dat stochastische interpolanten en stromingsgebaseerde generatieve modellen gebruikt om data-assimilatie in complexe, niet-lineaire systemen met spaarzame en ruwe waarnemingen effectiever te maken dan traditionele methoden.
Het artikel introduceert SQDF, een nieuwe methode voor het fine-tunen van diffusiemodellen die via een herparameteriseerde policy gradient van een zachte Q-functie reward-overoptimalisatie voorkomt en zo zowel hoge doelbeloningen als de diversiteit en natuurlijkheid van gegenereerde beelden behoudt.
Dit paper introduceert een methode die het α-divergentie-familie gebruikt om de precisie-diversiteitsafweging bij het trainen van taalmodellen voor redenering te beheersen, waardoor een superieure dekking wordt bereikt zonder de nauwkeurigheid te verliezen.
Dit paper introduceert A-3PO, een methode die de rekentijd voor asynchrone LLM-training met 1,8 keer versnelt door de extra forward pass voor het proximal beleid in Decoupled PPO te vervangen door een efficiënte interpolatie, zonder de prestaties te verlagen.
Het artikel introduceert DFIR-DETR, een transformer-gebaseerde detector die de prestaties bij het detecteren van kleine objecten in complexe scènes verbetert door dynamische content-aggregatie, normbehoudende feature-pyramides en frequentiedomein-iteratieve verfijning te combineren om hoge-frequentie randinformatie te behouden.
Deze paper introduceert een methode die reactiepaden visualiseert en valideert door ze te projecteren op een tweedimensionale RMSD-ruimte met een kleurgecodeerd energiesurface, waardoor complexe structurele herschikkingen en vergelijkingen tussen verschillende optimalisatiemethoden mogelijk worden.
Dit artikel introduceert een nieuw raamwerk dat submodulaire subsetselectie combineert met onzekerheidsschatting om de robuustheid en betrouwbaarheid van visuele uitlegbare methoden te verbeteren onder distributieveranderingen zonder extra training.
Dit paper introduceert een nieuwe, op Individual Conditional Expectation (ICE) gebaseerde methode voor globale gevoeligheidsanalyse die interactie-effecten beter vastlegt dan traditionele Partial Dependence Plots en dit valideert door middel van wiskundige bewijzen en toepassing op diverse engineeringproblemen.
Dit artikel introduceert een nieuwe patch-gebaseerde topologische data-analyse-methode voor CT-beelden die, vergeleken met bestaande cubische complex-algoritmen en radiomische kenmerken, zowel de classificatieprestaties aanzienlijk verbetert als de rekentijd verlaagt.
Dit paper introduceert Hyper++, een nieuw hyperbolisch deep reinforcement learning-agent dat door middel van feature regularisatie, een categorische verliesfunctie en een optimalisatievriendelijke netwerklagen-structuur de instabiliteit bij het trainen oploost en superieure prestaties levert ten opzichte van bestaande methoden.
Het paper introduceert CARE, een post-training framework dat fouten in multimodale redenering omzet in leerkracht door een contrastief verankerd doel en reflectie-gestuurde hersampling te combineren, wat leidt tot significante prestatieverbeteringen ten opzichte van bestaande methoden zoals GRPO.
Dit paper introduceert LLMTM, een benchmark voor het analyseren van temporele motieven in dynamische grafen met grote taalmodellen, en presenteert een structureel bewuste dispatcher die de nauwkeurigheid van een krachtig agent behoudt terwijl de operationele kosten worden verlaagd.
Deze paper introduceert MDENeRF, een iteratief framework dat monokulaire diepteschattingen verfijnt door Bayesiaanse fusie toe te passen op een globale monokulaire prior en gedetailleerde, onzekerheidsgebaseerde dieptedata van Neural Radiance Fields.
Dit paper introduceert een end-to-end framework voor audio-visuele spraakherkenning dat ruisbestendigheid bereikt door spraakverbetering en een Conformer-gebaseerde fusie te gebruiken zonder expliciete maskers, waardoor semantische informatie beter behouden blijft dan bij eerdere methoden.
Deze paper introduceert een methode voor domein-invariante representaties door geoptimaliseerde transportplannen te interpreteren als binaire grafen en deze via spectrale embedding te analyseren, wat leidt tot robuuste prestaties bij taken zoals muziekgenreherkenning en defectdetectie in elektrische kabels.
Dit paper presenteert een robuust neuromorfisch platform voor machine learning dat gebruikmaakt van lineaire optische middelen en interferometrie om niet-lineariteit te realiseren via faseverschuivingen, waardoor zowel *in situ* inferentie als training mogelijk is met hoge weerstand tegen fotoverlies.
Dit paper introduceert CELM, het eerste foundationmodel dat neurale signalen van langdurige EEG-opnames direct vertaalt naar klinische rapporten en daarmee de prestaties van generatiemodellen aanzienlijk verbetert.