11065 papers
FuseDiff is een geavanceerd diffusiemodel dat voor het eerst twee specifieke bindingsposities van een enkel ligand in twee verschillende eiwitzakken gelijktijdig genereert, waardoor de effectiviteit van polyfarmacologische therapieën wordt verbeterd en de weerstand wordt verminderd.
Dit artikel introduceert een prior-informatie gebaseerde, distributie-robuste methode voor het afleiden van geïndividualiseerde behandelregels die meerdere databronnen integreert en robuust blijft onder posterior-shift door een worst-case beleidswaarde te maximaliseren binnen een aangepast onzekerheidsgebied.
Deze studie presenteert een end-to-end machine learning-pijplijn die bulk- en single-cell transcriptomics-data van MS-patiënten integreert om via XGBoost en SHAP-analyse nieuwe biomarkers en mechanistische inzichten in de pathogenese van Multiple Sclerosis te onthullen.
Dit paper gebruikt een Lie-algebraïsche controleperspectief om aan te tonen dat de diepte van paralleliseerbare sequentiemodellen correleert met een toren van Lie-algebra-uitbreidingen, wat leidt tot een exponentiële afname van de benaderingsfout en zo de sterke empirische prestaties van deze modellen theoretisch onderbouwt.
Dit artikel introduceert een methode voor conditionele statistische inferentie bij schaarse gelabelde data en overvloedige ongelabelde covariaten, die machine-learningvoorspellingen combineert met kernelgebaseerde localisatie om de variantie te verkleinen en geldige betrouwbaarheidsintervallen te garanderen zonder parametrische aannames.
Dit artikel introduceert de Deep Koopman Speech Disentanglement Autoencoder (DKSD-AE), een efficiënt en schaalbaar model dat zonder tekstuele supervisie of grote vooraf getrainde netwerken spreker- en inhoudsdynamica ontrafelt voor robuuste sprekerverificatie.
Dit artikel introduceert een nieuw hybride heuristisch-versterkingsleerframework (HHRL) dat Q-learning combineert met spetsifieke heuristieken om het complexe probleem van het rangschikken van goederenwagons in spoorwegemplacementen met zowel een- als tweezijdige toegangseffectief op te lossen.
Deze studie presenteert een GeoAI-hybride raamwerk dat MGWR, Random Forest en ST-GCN combineert om de ruimtelijk-tijdelijke heterogeniteit van multimodale verkeersstromen en hun interactie met landgebruik effectiever te modelleren dan traditionele methoden, waardoor beleidsmakers een interpreteerbaar instrument krijgen voor evidence-based mobiliteitsbeheer.
Dit paper introduceert BISE, een strategie die bestaande, vooroordeelvrije subnetwerken uit standaard getrainde modellen haalt door pruning, waardoor bias-effectieve mitigatie mogelijk is zonder extra data of hertraining.
Dit onderzoek toont aan dat het vooraf trainen van een tokeniser met een auto-encoding-doelstelling de rekenefficiëntie en nauwkeurigheid van fysische foundation-modellen aanzienlijk verbetert, vooral wanneer de vooraftraining op hetzelfde fysische systeem als de downstream-taak wordt uitgevoerd.
Deze paper introduceert het eerste gekoppelde robuustheidsverificatiekader voor heatmaps gebaseerde sleutelpuntdetectie dat, in tegenstelling tot eerdere onafhankelijke benaderingen, de gezamenlijke afwijking van alle sleutelpunten garandeert door het verificatieprobleem te formuleren als een falsificatieopdracht met behulp van gemengd-geheelgetallige lineaire programmering.
Dit paper introduceert behavior-dLDS, een model dat neurale dynamiek ontleedt in gedrag-gerelateerde en interne subsystemen om complexe hersenactiviteit te ontrafelen en de relatie met gedrag te kwantificeren, zelfs bij datasets met tienduizenden neuronen.
Het artikel introduceert RACAS, een robotonafhankelijk agentic systeem dat gebruikmaakt van drie op taal gebaseerde modules om diverse robotplatforms via natuurlijke taal te besturen zonder dat er aanpassingen aan de broncode of modelgewichten nodig zijn.
Dit paper introduceert een domeinonafhankelijk raamwerk om de meest waarschijnlijke aanvalaar te identificeren op basis van een waargenomen aanval, waardoor verdedigers zowel exogene mitigatiestrategieën kunnen toepassen als de prestaties van directe verdedigingsmethoden kunnen verbeteren.
Dit paper introduceert de geïnterpoleerde FID (iFID), een nieuwe metiek die door interpolatie van latente representaties een sterke correlatie aantoont met de generatieve FID van diffusiemodellen, waardoor het een betrouwbaarder voorspeller wordt dan de traditionele reconstructie-FID.
Dit paper introduceert Implicit Error Counting (IEC), een referentievrije beloningsmethode voor reinforcement learning die in plaats van een rubric fouten telt met gewichten, wat leidt tot superieure resultaten bij virtuele pasproeven waar geen enkel ideaal antwoord bestaat.
Dit artikel toont aan dat het integreren van vectoriële representaties van een kennisgrafiek, gebaseerd op zowel prestaties op het veld als daarbuiten, de nauwkeurigheid van machine learning-modellen voor het voorspellen van NBA-salarissen aanzienlijk verbetert, met name voor veteranen en spelers met hoge salarissen.
Dit artikel toont aan dat versterkingslering (RL) effectief kan worden ingezet om netwerkinstanties te vinden met een aanzienlijk hoger aantal evenwichtspunten dan het gemiddelde, waardoor het een veelbelovende oplossing biedt voor de analyse van complexe niet-lineaire stroomvloeivergelijkingen die traditionele algebraïsche methoden overtreffen.
Dit artikel toont aan dat bij random feature ridge regression een sterk model dat is getraind op imperfecte labels van een zwakker model, aanzienlijk betere schalingswetten kan volgen en zelfs de minimax-optimale convergentiesnelheid kan bereiken, zelfs wanneer de fout van het lerende model niet daalt met de steekproefgrootte.
Dit artikel onderzoekt parallelisatiestrategieën voor de implementatie van dichte grote taalmodellen, waarbij het aantoont dat Tensor Parallelism de latentie verbetert terwijl Pipeline Parallelism beter geschikt is voor doorvoeroptimalisatie, en hoe een hybride aanpak de afweging tussen deze twee prestatie-indicatoren kan sturen.