11106 papers
Deze paper introduceert een methode waarbij Diffusie-taalmodellen de benodigde uitvoerlengte schatten op basis van de prompt, waardoor het contextvenster dynamisch kan worden ingekort voor aanzienlijke rekenefficiëntie zonder prestatieverlies.
Dit artikel introduceert DQE, een nieuwe semantisch bewuste evaluatiemetric voor tijdreeksanomaliedetectie die bestaande beperkingen oplost door een semantisch gefundeerde partitie-strategie en een aggregatie over het volledige drempelspectrum te gebruiken voor een robuustere en interpreteerbaardere beoordeling.
Dit paper introduceert een methode voor reinforcement learning in LLMs waarbij het optimaliseren van een subset van toekomstige beloningen leidt tot betrouwbaardere schattingen en het vergelijken van verschillende policy-classes, zoals volledige planning en K-stap vooruitkijken, voor conversatieproblemen.
Dit artikel bewijst dat Predictive Coding Graphs (PCGs) een wiskundige superverzameling vormen van feedforward neurale netwerken, waardoor ze een breder kader bieden voor machine learning en de studie van netwerktopologieën.
Dit onderzoek toont aan dat ensemble Graph Neural Networks voor probabilistische zeewateroppervlaktetemperatuurvoorspellingen, waarbij diversiteit wordt gegenereerd door gestructureerde invoerperturbaties zoals Perlin-ruis in plaats van hertraining, een goed gekalibreerde onzekerheidsrepresentatie bieden zonder extra trainingskosten.
Het paper introduceert OMEGA, een efficiënte methode voor vectorzoekopdrachten die met één model en lage voorverwerkingstijd nauwkeurige resultaten levert voor queries met verschillende K-waarden, waardoor het zowel trager dan bestaande methoden is en minder voorverwerkingstijd vereist.
Dit paper introduceert een tweestapskader dat contrastief leren op gelabelde alfabetten combineert met zelftoezicht via leraar-leerling distillatie om robuuste, vervormingsinvariante embeddings te leren voor het vaststellen van scriptgelijkenis zonder betrouwbare grondwaarheid over historische relaties.
Dit artikel introduceert het Random Quadratic Form-model om aan te tonen dat gemeenschappelijke ruis, zelfs zonder self-attention, leidt tot synchronisatie en clustering van tokens in diepe transformers.
Deze studie toont aan dat het combineren van topologische data-analyse met machine learning, specifiek door het gebruik van Betti-curve-descriptoren van voetvrijheid, de differentiaaldiagnose tussen idiopathische Parkinson en vasculaire Parkinson significant kan verbeteren.
Dit paper introduceert FedSCS-XGB, een nieuw federatief leerprotocol voor XGBoost dat de prestaties van gecentraliseerd trainen bijna bereikt (met een gap onder de 1%) bij het continu monitoren van de gezondheid via draagbare sensoren, terwijl het de structurele voordelen van XGBoost behoudt.
Het paper introduceert DC-Merge, een methode die de prestaties van modelmerging verbetert door de energie-uitdeling van taakvectoren te balanceren en hun richtingsgeometrie in een gedeelde orthogonale deelruimte af te stemmen, wat leidt tot state-of-the-art resultaten op diverse visuele en visueel-taalkundige benchmarks.
Dit artikel onthult dat gradiëntstroom in softmax-gebaseerde modellen, zoals die in transformers worden gebruikt, de optimalisatie inherent stuurt naar oplossingen met lage entropie, wat een theoretisch mechanisme biedt voor fenomenen als attention sinks en massale activaties.
Dit artikel introduceert SPPCSO, een adaptieve gepenaliseerde schattingsmethode die principal component regression en -regularisatie combineert om stabiele variabele selectie en nauwkeurige schattingen te garanderen in hoge-dimensionale, sterk gecorreleerde datasets met veel ruis.
Dit paper introduceert Synthetic Monitoring Environments (SMEs), een oneindige reeks van configureerbare continue controle-taken met bekende optimale beleidslijnen, die dienen als een gestandaardiseerd en transparant testbed om het falen van versterkingsleeralgoritmes nauwkeurig te diagnosticeren en te analyseren.
Dit artikel introduceert de BAEN-SVM, een robuust classificatiemodel dat een nieuwe gebonden asymmetrische elastic net-verliesfunctie combineert met een efficiënt half-kwadratisch optimalisatiealgoritme om ruisgevoelige data beter te verwerken dan traditionele SVM's.
Deze paper introduceert DeCoST, een leerbaar tweestapsmodel dat discrete en continue variabelen ontkoppelt om het Oriënteringsprobleem met tijdvensters en variabele winsten efficiënter en van hogere kwaliteit op te lossen dan bestaande methoden.
Dit onderzoek toont aan dat agente retrieval-augmented reasoning-pijplijnen de betrouwbaarheid van radiologievraagbeantwoording onder modelvariabiliteit verbeteren door de besluitvorming te concentreren en de consensus te versterken, wat aantoont dat betrouwbaarheid meer omvat dan alleen nauwkeurigheid of overeenstemming.
Dit artikel beschrijft een neurale implementatie van fuzzy cognitive maps, genaamd FHM, die met behulp van Langevin-differentiaal dynamica causale patronen leert en een omgekeerde oplossing biedt om outputwaarden aan te passen aan specifieke beleidsdoelen, waarna de prestaties op diverse datasets zijn geëvalueerd.
Dit paper introduceert Stem, een plug-and-play module die de causale informatiestroom in LLM's optimaliseert door position-afhankelijke selectie en output-bewuste metrics te gebruiken, waardoor de kwadratische complexiteit van self-attention wordt doorbroken en de pre-filling-latentie voor lange contexten aanzienlijk wordt verlaagd zonder in te leveren op nauwkeurigheid.
Deze paper introduceert GMM-PIELM, een probabilistisch adaptief bemonsteringsframework dat de snelheid van Physics-Informed Extreme Learning Machines combineert met een geautomatiseerde concentratie van basisfuncties in gebieden met hoge numerieke fouten, waardoor de nauwkeurigheid bij het modelleren van stijve PDE's met scherpe gradiënten aanzienlijk wordt verbeterd zonder de kosten van zware gradient-gebaseerde optimalisatie.