11076 papers
Dit artikel bewijst dat Moore-machines exact kunnen worden gerealiseerd als state-space modellen en toont aan dat het combineren van symbolisch automata-leren met deze continue modellen leidt tot snellere convergentie en betere prestaties dan willekeurige initialisatie.
Deze paper introduceert een meetkundig raamwerk op basis van hoofdvezelbundels om de fundamentele beperkingen en kansen bij het leren van differentiaalvergelijkingen die de evolutie van tijdsafhankelijke netwerken besturen via Random Dot Product Graphs te analyseren, waarbij het de onlosmakelijke relatie tussen geometrische kromming, statistische onzekerheid en de identificeerbaarheid van dynamica belicht.
Hoewel AI veelbelovend is voor klimaatwetenschap, riskeert de huidige ontwikkeling, die gedomineerd wordt door het Noordelijke halfrond en gebaseerd is op onvolledige data, de bestaande ongelijkheden te versterken, wat een fundamentele verschuiving vereist naar data-gedreven ontwikkeling, digitale publieke infrastructuur en gezamenlijke kennisproductie om echte weerbaarheid te waarborgen.
Dit onderzoek toont aan dat onbewaakte domeinadaptatie, met name door het minimaliseren van de maximum mean discrepancy (MMD), de generalisatie van een op synthetische data getraind machine learning-model voor radio-isotoopidentificatie in gamma-spectroscopie aanzienlijk verbetert bij toepassing op ongelabelde experimentele data.
Dit paper weerlegt eerdere theoretische bevindingen door aan te tonen dat Best-of-N-sampling, wanneer geoptimaliseerd voor win-rate in plaats van verwachte beloning, statistisch en computationeel optimaal is voor inferentie-tijd uitlijning, en stelt een eenvoudige variant voor die beloningshacking effectief elimineert zonder de prestaties te verminderen.
In dit paper presenteren de auteurs Icarus, een all-weather hemelmodel dat via deep learning full dynamic range omgevingenkaarten genereert met ongeëvenaarde nauwkeurigheid, fotorealisme en controle over zon- en wolkenformaties voor Image Based Lighting.
Dit paper introduceert MIRACL, een hiërarchisch meta-versterkingsleerframework dat few-shot generalisatie mogelijk maakt voor multi-objectieve supply chain-optimalisatie door taken te decomponeren en een Pareto-gebaseerde strategie te gebruiken, waardoor het conventionele baselines significant overtreft in termen van aanpassingsvermogen en prestaties.
Deze paper introduceert Score-Guided Proximal Projection (SGPP), een unified geometrisch framework dat de kloof tussen deterministische optimalisatie en stochastische sampling overbrugt om Rectified Flow-modellen effectief te sturen voor taken zoals semantische bewerking en beeldherstel, terwijl het bestaande methoden als een speciaal geval omvat en een trainingsvrije afweging biedt tussen identiteitsbehoud en generatieve vrijheid.
Dit paper introduceert TML-Bench, een benchmark voor het evalueren van autonome data science-agenten op Kaggle-achtige tabulaire machine learning-taken, waarbij de prestaties van tien open-source LLM's worden gemeten op basis van succespercentages en scores onder verschillende tijdsbeperkingen.
Dit paper introduceert SCORE, een methode die subruimte-conflicten tussen modellen op verschillende domeinen oplost door een gedeelde orthogonale basis te vinden en diagonale componenten te verwijderen, waardoor de domein-generalisatie aanzienlijk wordt verbeterd ten opzichte van bestaande modelmerging-technieken.
Deze paper introduceert het Disentangled Safety Hypothesis (DSH), dat aantoont dat veiligheidsmechanismen in grote taalmodellen bestaan uit gescheiden 'herkennings-' en 'uitvoeringsassen', en gebruikt deze inzichten om een nieuwe aanvalsmethode te ontwikkelen die weigeringen effectief kan uitschakelen zonder de kennis van het model te beïnvloeden.
Dit paper introduceert een nieuwe eerste-orde Softmax-gewichtsschakelgradientmethode voor gedistribueerde stochastische minimax-optimalisatie met stochastische beperkingen, die een stabiele single-loop oplossing biedt voor federated learning met bewezen convergentie en verbeterde prestaties op taken zoals Neyman-Pearson-classificatie.
Deze paper introduceert nieuwe, tijdsgevoelige alternatiemetrics om de beperkingen van traditionele, tijdsblinde maatstaven aan te tonen bij het evalueren van multi-agent coördinatie, waarbij blijkt dat agenten met hoge traditionele scores in feite slechter presteren dan willekeurige baselines in termen van daadwerkelijke coördinatiekwaliteit.
Dit artikel vergelijkt de interne representaties van Mixture-of-Experts (MoE) en dichte modellen met behulp van crosscoders en toont aan dat MoE's minder unieke, maar meer gespecialiseerde en actieve features ontwikkelen, terwijl dichte modellen informatie verspreiden over bredere, algemene features.
Dit paper analyseert het specialisatiegedrag van Mixture of Experts-modellen en toont aan dat een klein aantal experts de meeste taken uitvoert, wat aanzienlijke kansen biedt voor inferentie-optimalisatie via gerichte expert-pruning zonder prestatieverlies.
Dit paper introduceert MaCS, een eenvoudige en architectuuronafhankelijke regularisatiemethode die de kalibratie en robuustheid van diepe visiemodellen verbetert door logit-marges te vergroten en voorspellingconsistentie onder lichte verstoringen te handhaven, zonder extra data of architecturale wijzigingen.
Dit paper introduceert SEA-PEFT, een methode voor zelfauditerende, parameter-efficiënte fine-tuning die adapterconfiguratie automatiseert via een zoek-keuze-toewijzingscyclus om de prestaties van 3D-medische beeldsegmentatie in few-shot scenario's aanzienlijk te verbeteren zonder de noodzaak van handmatige aanpassingen.
Dit artikel onderzoekt de effectiviteit, beperkingen en valkuilen van testtijd-adaptatie via veel-shot prompting bij grote taalmodellen, en concludeert dat deze methode vooral nuttig is voor gestructureerde taken maar gevoelig is voor de selectiestrategie en vaak beperkt baat biedt bij open-ended generatie.
ReflexiCoder is een nieuw reinforcement learning-framework dat grote taalmodellen leert om code autonoom te genereren, te reflecteren op fouten en zichzelf te corrigeren zonder externe hulp, wat leidt tot state-of-the-art prestaties en een aanzienlijke vermindering van de inferentie-overhead.
Deze paper introduceert STEP, een raamwerk dat temporele linkpredictie hervormt als een sequentiële voorspellingsopdracht in continue tijd door gebeurtenisdynamiek te modelleren via Poisson-processen over temporele motieven, wat leidt tot aanzienlijk betere prestaties en lagere rekentijd dan bestaande methoden.