11285 papers
Aurchestra is het eerste systeem dat op beperkte hearables real-time fijnmazige controle biedt over individuele geluidsklassen in een omgeving, waardoor gebruikers hun geluidswaarneming kunnen aanpassen alsof ze een audio-engineer zijn.
Dit onderzoek toont aan dat de persistentie van interpreter-estadoe tijdens het trainen van agenten een cruciale semantische eigenschap is die de efficiëntie en stabiliteit bepaalt, maar niet de uiteindelijke oplossingskwaliteit, en benadrukt dat trainingsdata moet worden afgestemd op de runtime-omgeving om kosten te verlagen en fouten te voorkomen.
Dit paper introduceert Reference-Guided Fine-Tuning (ReGFT), een methode die menselijke referentieoplossingen gebruikt om positieve trainingsdata te synthetiseren voor moeilijke wiskundeproblemen, waardoor het probleem van beloningsverspreiding in versterkingslering wordt opgelost en de prestaties van modellen aanzienlijk worden verbeterd.
Dit artikel introduceert VoxKnesset, een open-access dataset van ongeveer 2.300 uur Hebreeuwse parlementaire spraak over een periode van 16 jaar, die wordt gebruikt om de uitdagingen van veroudering in stemherkenning en -verificatie te onderzoeken en de noodzaak van longitudinale modellen te onderstrepen.
Het artikel introduceert MatRIS, een efficiënt en schaalbaar invariant machine learning interatomair potentieel dat via een lineaire attention-mechanisme drie-liggaatsinteracties modelleert en daarmee vergelijkbare nauwkeurigheid bereikt als geavanceerde equivariante modellen, maar tegen een aanzienlijk lagere rekenkosten.
Deze paper introduceert een conformele voorspellingsframework voor graf-gebaseerde regressieproblemen dat distributie-vrije dekking garandeert door gebruik te maken van de Z-Gromov-Wasserstein-afstand en een aangepaste Quantile Regression-methode (SCQR) voor adaptieve voorspellingssets.
Dit paper introduceert IoUCert, een nieuw formeel verificatiekader dat de robuustheid van anker-gebaseerde objectdetectiemodellen zoals SSD en YOLO verifieert door een coördinatentransformatie te gebruiken om de complexe niet-lineaire IoU-berekeningen direct en nauwkeurig te optimaliseren.
Deze paper introduceert een incrementele k-NN-graafconstructie die per ontwerp een verbonden graaf garandeert, waardoor de robuustheid en prestaties van spectrale clustering op tekstgegevens aanzienlijk worden verbeterd, vooral bij lage waarden van k.
Dit artikel introduceert een op conditionele variational autoencoders gebaseerde machine learning-methode die shockrespons-spectra efficiënt en nauwkeurig omzet in tijdsreeksen van versnelling, waarmee de beperkingen van traditionele iteratieve optimalisatie worden overwonnen.
Dit paper introduceert AOI, een trainbaar multi-agent framework dat veilige, data-gedreven SRE-automatisering mogelijk maakt door gespecialiseerde kennis te distilleren via GRPO, een lees-schrijfgescheiden architectuur te hanteren voor veilige uitvoering, en mislukte trajecten om te zetten in leerzame supervisiessignalen voor continue verbetering.
Dit paper introduceert RADAR, een schaalbaar neuraal framework dat bestaande VRP-oplossers uitbreidt met asymmetrie-bewuste embeddings via SVD en Sinkhorn-normalisatie, waardoor ze robuust presteren op asymmetrische routeerproblemen in zowel synthetische als real-world scenario's.
Dit paper introduceert Stratum, een nieuwe systeeminfrastructuur die de uitvoering van ML-pipelines ontkoppelt van de planning door autonome agenten, waardoor duizenden experimenten efficiënt kunnen worden uitgevoerd via een geoptimaliseerde Rust-runtime met een snelheidswinst tot 16,6 keer.
Dit paper legt uit dat lineaire RNN's beter paralleliseerbaar zijn dan niet-lineaire RNN's doordat ze logische diepte-circuits simuleren die in de complexiteitsklasse NC1 vallen, terwijl niet-lineaire RNN's P-complete problemen kunnen oplossen wat een fundamenteel parallelisatiebeperking vormt.
Deze studie introduceert een DMD-augmenteerde, ongepaarde neurale Schrödinger-brug met multi-stap verfijning en anatomische structuurbehoud om de beeldkwaliteit van ultra-laagveld (64 mT) hersen-MRI-scans te verbeteren door ze te vertalen naar 3 T-kwaliteit zonder de noodzaak van gepaarde data.
In het kader van de NLBSE'26 Tool Competition presenteert LoRA-MME een ensemble van vier met LoRA fijnge tuneerde transformer-modellen voor multi-label classificatie van codecommentaren, waarbij een hoge semantische nauwkeurigheid wordt bereikt ten koste van de inferentie-efficiëntie.
Deze studie toont aan dat het introduceren van 'Semantic Anchoring' de semantische ineenstorting van visuele modellen bij overdracht tussen soorten voorkomt en door taalgebaseerde heroriëntatie de prestaties bij kankerdetectie in zowel menselijke als canine weefsels significant verbetert.
Dit paper introduceert DynaKV, een post-training framework dat de KV-cache van grote taalmodellen efficiënt comprimeert door compressiepercentages dynamisch per token aan te passen op basis van hun semantische betekenis, waardoor aanzienlijke geheugenbesparingen worden bereikt zonder significante kwaliteitsverlies.
Dit artikel introduceert FreST Loss, een model-onafhankelijke trainingsdoelstelling die gebruikmaakt van de gezamenlijke Fourier-transformatie om complexe ruimtelijk-temporele afhankelijkheden in graf-gebaseerde signalen effectiever te modelleren dan bestaande methoden.
Deze studie toont aan dat Vision-Language-modellen contextafhankelijke affordances berekenen, waarbij zowel de woordkeuze als de semantische betekenis sterk variëren afhankelijk van de context, wat wijst op de noodzaak van dynamische, query-afhankelijke ontologische projectie in de robotica.
Dit onderzoek presenteert een nieuwe methode met deep learning, genaamd Equilibrium-Informed Neural Networks (EINNs), die evenwichtstoestanden als invoer gebruikt om kritieke drempels en abrupte regimeverschuivingen in complexe dynamische systemen efficiënter te detecteren dan traditionele simulaties.