2325 papers
Dit artikel introduceert nieuwe, efficiënt berekenbare transductieve generalisatiegrenzen voor grafnodeclassificatie op basis van optimale transport en Wasserstein-afstanden, die empirisch beter presteren dan klassieke complexiteitsmaten en het niet-monotone effect van GNN-diepte op generalisatie verklaren.
Dit artikel introduceert DendroNN, een energiezuinig, niet-gedifferentieerd neuronaal netwerk dat inspiratie put uit dendritische sequentiedetectie om event-based data te verwerken en via een asynchrone hardware-architectuur een tot vier keer hogere efficiëntie bereikt dan bestaande neuromorfe systemen.
Dit artikel vult bestaande kennisgaten over de spijtbegrensingen van Gaussian Process Thompson Sampling (GP-TS) in door zowel een ondergrens als verbeterde bovengrenzen voor de verwachte, leniente en cumulatieve spijt af te leiden, waarbij wordt aangetoond dat GP-TS een polynoomafhankelijkheid van $1/\delta$ vertoont en dat recente verbeteringen voor GP-UCB ook op GP-TS van toepassing zijn.
Dit artikel presenteert een door proxyvariabelen geleid raamwerk dat variatie-automatische coderingen gebruikt om systematische meetfouten in uitkomstvariabelen te identificeren en te corrigeren door latente inhouds- en biasvariabelen te ontrafelen.
Dit paper presenteert een niet-asymptotisch resultaat dat de trainingsdynamica van machine learning-modellen onder een Gaussisch mengselmodel koppelt aan een makkelijker te analyseren surrogaat-dynamisch systeem, waarbij gebruik wordt gemaakt van de Gordon-vergelijkingstheorema om de geldigheid van dynamische mean-field-expressies te bewijzen en een iteratief verfijningsschema voor niet-asymptotische scenario's voor te stellen.
Het artikel introduceert CLoE, een consistentiegedreven raamwerk dat de segmentatieprestaties bij ontbrekende medische beeldmodaliteiten verbetert door experts op besluit- en regienniveau tot overeenstemming te brengen en modale betrouwbaarheid dynamisch te wegen.
Dit paper introduceert Reward-Zero, een universeel mechanisme dat natuurlijke taalbeschrijvingen omzet in semantisch onderbouwde, impliciete beloningssignalen om het leren van versterking te versnellen en te stabiliseren zonder handmatige beloningseigenschappen.
Dit paper introduceert TA-GGAD, een adaptief grafmodel dat het 'Anomaly Disassortativity'-probleem aanpakt om generalistische, domeinonafhankelijke anomaliedetectie te realiseren met state-of-the-art prestaties op diverse real-world grafen.
Dit artikel presenteert een datagedreven raamwerk dat een interactieve 3D-visualisatie biedt om de oppervlakteruwheid bij materiaal-extrusie-additieve productie te voorspellen en te optimaliseren door gebruik te maken van een multilayer perceptron en een conditionele generatieve tegenstrijdige netwerken.
Dit artikel introduceert een differentieel-private, nulde-orde optimalisatieframework dat datasetcondensatie mogelijk maakt voor niet-differentieerbare klinische modellen, zoals beslisbomen en Cox-regressie, waardoor veilige en modelonafhankelijke datauitwisseling voor klinische voorspellingsopdrachten wordt gerealiseerd zonder de privacy van patiënten te schaden.
Dit paper introduceert CAHC, een end-to-end contrastive learning-methode voor geattribueerde hypergraafclustering die tegelijkertijd knoopembeddings leert en clusterresultaten genereert door middel van een combinatie van knoop- en hyperedge-niveau doelen, waardoor het de prestaties van bestaande methoden op acht datasets verbetert.
Deze studie introduceert VSOPINN, een physics-informed neural network dat via differentieerbare Voronoi-constructie en end-to-end optimalisatie de plaatsing van sensoren aanpast om robuuste en nauwkeurige reconstructie van stromingsvelden mogelijk te maken, zelfs bij onvolledige metingen of sensoruitval.
SPAARS is een curriculumleerframework voor offline-naar-online versterkingsleer dat veilig online verkenning eerst beperkt tot een laagdimensionale latente ruimte om vervolgens naadloos over te schakelen naar de ruwe actieruimte, waardoor de prestatieplafond van decoder-bottlenecks wordt doorbroken en aanzienlijk betere sample-efficiëntie en prestaties worden bereikt.
Dit paper introduceert FCDM, een volledig convolutiegebaseerd diffusiemodel dat ConvNeXt herintroduceert als een uiterst efficiënt alternatief voor Transformer-architecturen, waarbij het met slechts 50% van de FLOPs en aanzienlijk minder trainingsstappen vergelijkbare prestaties levert.
Dit paper introduceert vier verbeteringen aan het ruimtelijk-temporele matching-algoritme voor GPS-trajecten om de rekenkracht en nauwkeurigheid in stedelijke omgevingen met lage sample-frequentie te verhogen, wat wordt gevalideerd met data uit Milaan.
Dit onderzoek toont aan dat zorgvuldige ontwerpprincipes voor Markov-beslissingsprocessen, met name het gebruik van op fysica gebaseerde dynamische modellen, de kloof tussen simulatie en realiteit in industriële procesregeling aanzienlijk kunnen verkleinen en de succeskans op echte hardware tot 50% kunnen verhogen.
Dit artikel introduceert de Model-assisted Nonparametric Weighting (MNW)-methode voor off-policy evaluatie in contextuele bandieten, die door het combineren van niet-parametrische weging en beloningsschattingen een lagere variantie en nauwkeurige schattingen biedt ten opzichte van bestaande technieken zoals inverse probability weighting en doubly robust schatters.
Dit paper introduceert VMoER, een schaalbaar Bayesiaans framework dat variational inference toepast op de routering in Mixture-of-Experts Transformers om zo met minimale rekentijd gecalibreerde onzekerheidsschattingen te bieden voor foundation modellen.
Dit paper introduceert Temporal-Conditioned Normalizing Flows (tcNF), een nieuw raamwerk voor het detecteren van anomalieën in multivariate tijdsreeksen door complexe temporele afhankelijkheden en onzekerheid nauwkeurig te modelleren via autoregressieve conditionering op eerdere waarnemingen.
TrainDeeploy is een framework dat hardware-versnelde, parameter-efficiënte fine-tuning van zowel CNN- als Transformer-modellen mogelijk maakt op extreem beperkte randapparatuur, waarbij het de eerste end-to-end on-device training van een Compact Convolutional Transformer op een RISC-V-SoC realiseert met aanzienlijke verbeteringen in geheugengebruik en prestaties.