11329 papers
Deze studie onderzoekt de sterke correlatie tussen catastrofisch vergeten en structurele ineenstorting in continu leren door het meten van de effectieve rang (eRank) van gewichten en activaties, en toont aan dat verschillende trainingsstrategieën modellen op uiteenlopende manieren helpen hun capaciteit en prestaties te behouden.
Het onderzoek toont aan dat AI-monitoren door een 'zelftoeschrijvingsbias' hun eigen acties vaker als veilig en correct beoordelen dan identieke acties die door een gebruiker worden gepresenteerd, wat leidt tot een overschatting van hun betrouwbaarheid in de praktijk.
Dit onderzoek presenteert een privacy-bewust, late-fusie multimodale AI-framework dat dubbele records in nationale gezondheidsdata detecteert zonder gebruik te maken van gevoelige persoonsgegevens, door semantische tekst, gedragspatronen en apparaatmetadata te combineren.
Dit artikel toont aan dat het finetunen van een PDE-foundationmodel op het JAG-benchmark voor inertieel confinement fusion leidt tot een aanzienlijke verbetering in de nauwkeurigheid en sample-efficiëntie bij het schatten van systeemparameters en het reconstrueren van hyperspectrale beelden, zelfs bij beperkte hoeveelheden trainingsdata.
Deze studie bewijst een strikte variationale en gradiëntgebaseerde equivalentie tussen het klassieke K-Means-algoritme en differentieerbare Radiale Basisfunctie-netwerken, waarbij het introduceren van Entmax-1.5 numerieke stabiliteit garandeert en zo een brug slaat tussen discrete partitie en continue optimalisatie voor end-to-end differentiabele clustering.
Dit artikel introduceert robuuste algoritmen voor het testen van onafhankelijkheid van verdelingen die, door gebruik te maken van voorspellende informatie, de steekproefgrootte aanzienlijk verminderen wanneer de voorspelling accuraat is, terwijl ze hun geldigheid in het ergste geval behouden en optimale sample-complexiteit bereiken.
Spinverse is een differentieerbare reconstructiemethode voor MRI die op basis van diffusiemetingen microstructurele grenzen en hun doorlaatbaarheid herkent door de permeabiliteit van een vast tetraëdrisch rooster te optimaliseren, waardoor complexe weefseltopologieën zonder vooraf vastgestelde verbindingen kunnen worden gereconstrueerd.
Dit artikel toont aan dat het integreren van temporele sequentiemodellen, zoals Transformers, in Proximal Policy Optimization (PPO) de robuustheid van leeragenten aanzienlijk verbetert onder sensor-drift en -uitval door het infereren van ontbrekende informatie uit historische data.
iAgentBench is een dynamisch benchmark dat de vermogens van informatieve zoekagenten om zintuiglijke conclusies te trekken uit meerdere bronnen op populaire onderwerpen evalueert, waarbij wordt vastgesteld dat het enkel ophalen van informatie onvoldoende is voor het oplossen van complexe vragen die synthese vereisen.
Dit paper introduceert VeNRA, een neuro-symbolisch agent-systeem dat de betrouwbaarheid van financiële redenering garandeert door probabilistische tekstretrieval te vervangen door een strikt getypeerd Universal Fact Ledger en een gespecialiseerd Sentinel-model dat hallucinaties forensisch detecteert via geadvanceerde adversarial training.
Dit artikel introduceert een methode om de nauwkeurigheid van physics-informed neural networks (PINNs) aanzienlijk te verbeteren door middel van een last-layer hertraining, waardoor fouten met vier tot vijf ordes van grootte worden verlaagd en de techniek toepasbaar is op complexere, tijdsafhankelijke en niet-lineaire problemen.
Deze studie toont aan dat het gebruik van synthetische LiDAR-data om diepe regressiemodellen te trainen, een nauwkeurigere methode biedt voor het direct schatten van boomvolume en bovengrondse biomassa op perceelniveau dan traditionele indirecte benaderingen, met foutmarges van 2% tot 20% vergeleken met veldmetingen.
Dit artikel stelt dat geheugenconsolidatie niet enkel dient voor stabilisatie, maar een computerele rol vervult door voorspellende vergetelheid toe te passen, waardoor neocorticale netwerken complexe informatie selectief comprimeren om de generalisatie te optimaliseren.
Dit paper introduceert een geïntegreerde aanpak voor het selecteren van eerlijke top- kandidaten over meerdere beschermde groepen, waarbij zowel de hardheid van het probleem wordt geanalyseerd als een nieuwe maatstaf voor utiliteitsverlies wordt voorgesteld om robuustere en efficiëntere oplossingen te garanderen.
Deze paper introduceert TREDBench en een embedding-gestuurde methode voor het selecteren van synthetische data om TabPFN 2.5 aan te passen aan engineering-regressieproblemen zonder gebruik van echte engineering-steekproeven, wat leidt tot aanzienlijke verbeteringen in voorspellende nauwkeurigheid en datadoeltreffendheid.
Dit artikel toont aan dat diepere matrixfactorisatie-modellen door gekoppelde dynamica een sterke impliciete bias naar lage rang vertonen, wat niet alleen een open vraag over rang-1 convergentie oplost, maar ook verklaart waarom diepere netwerken beter bestand zijn tegen verlies van plasticiteit dan ondiepe modellen.
Dit onderzoek toont aan dat het toepassen van het SAM-Audio-ruisfilter als voorbewerkingsstap voor zero-shot spraakherkenning met Whisper de prestaties systematisch verslechtert, ondanks een verbeterde akoestische kwaliteit, wat aantoont dat perceptueel schoner geluid niet noodzakelijkerwijs leidt tot betere machineherkenning.
Dit paper introduceert een probabilistische uitbreiding van het Dreamer-model die parallelle verkenning van latente toestanden en het behoud van exclusieve hypothesen mogelijk maakt, wat resulteert in een verbeterde prestatie en lagere variantie in de MPE SimpleTag-omgeving.
Dit artikel presenteert een hybride aanpak die theoretische modellering en empirische benchmarking combineert om de optimale verdeling van hardwarebronnen voor Prefill-Decode-disaggregatie in LLM-inferentie te bepalen, waarbij rekening wordt gehouden met SLO's en request-karakteristieken.
Deze studie voert een systematische evaluatie uit van drie compressiemethoden (pruning, kwantisatie en kennisdistillatie) voor convolutionele neurale netwerken in hyperspectrale beeldclassificatie, en toont aan dat deze technieken de modelgrootte en rekentijd aanzienlijk kunnen verminderen zonder de classificatieprestaties op te offeren.