11404 papers
Dit artikel vestigt een exacte correspondentie tussen de expressiviteit van recurrente grafische neurale netwerken en die van recurrente rekenkringen over de reële getallen, waarbij beide modellen elkaars berekeningen kunnen simuleren.
Dit paper biedt een theoretisch en empirisch inzicht in hoe transformers analogisch redeneren door entiteiten met vergelijkbare eigenschappen in gelijke representaties te coderen, waarbij een specifiek curriculum voor het leren van gelijkenissen cruciaal is voor het succes van eigenschapsoverdracht.
Dit paper introduceert fedCI en fedCI-IOD, privacybehoudende federatieve methoden die causale ontdekking mogelijk maken over heterogene, gedistribueerde datasets met latente confounding door middel van geavanceerde conditionele onafhankelijkheidstests.
Dit onderzoek toont aan dat eenvoudige long-cropping een effectieve strategie is om raciale bias in deep learning-modellen voor borstfoto's te verminderen zonder de diagnostische nauwkeurigheid te verliezen.
Dit paper introduceert Alt-FL, een privacybehoudend framework voor Federated Learning dat via een ronde-gebaseerde strategie Differential Privacy, Homomorf Versleuteling en synthetische data combineert om een flexibel evenwicht te vinden tussen privacy, leerkwaliteit en efficiëntie.
Dit artikel introduceert GeoDVF, een geometrie-adaptief diep variatiekader dat door het gezamenlijk optimaliseren van de ordeparameter en de domeingrootte kunstmatige spanningen elimineert en zo robuust stabiele en metastabiele fasen in het Landau-Brazovskii-model kan ontdekken zonder voorafgaande kennis.
Deze paper introduceert een trainbare bit-wise zachte quantisatielaag die invoerfeatures van neurale netwerken comprimeert om de data-overdracht van edge-apparaten naar servers te minimaliseren, waarbij hoge compressiefactoren worden bereikt zonder significante nauwkeurigheidsverlies.
Dit paper introduceert een mechanismeontwerpframework voor AI-regulatie dat, gebaseerd op een dualiteit met credale verzamelingen, strategische aanbieders ertoe dwingt te wedden op hun naleving en zo zorgt voor een perfecte marktuitkomst waarbij niet-compliance zich zelf uitsluit.
Deze paper introduceert STCV, een nieuw algoritme voor de robuuste en schaal-onafhankelijke identificatie van niet-lineaire dynamica dat de vervormende effecten van datanormalisatie op traditionele methoden oplost door in plaats van op grootte te vertrouwen op een dimensieloze statistische metric voor termselectie.
Dit paper introduceert Stable-LoRA, een methode die de stabiliteit van feature learning bij Low-Rank Adaptation (LoRA) verbetert door een dynamische gewichtsverkleiningstrategie te gebruiken die instabiliteit elimineert zonder extra geheugenvereisten of merkbare rekentijd.
Dit paper introduceert een vocabulaire-trimmingtechniek voor speculatieve decoding die het compromis tussen dekking en latentie oplost door een geoptimaliseerde, domeinspecifieke woordenschat te selecteren, wat leidt tot aanzienlijke snelheidswinsten bij het genereren van tekst met grote taalmodellen.
Dit artikel introduceert IAENet, een Transformer-gebaseerd multi-label leerframework dat, ondersteund door een nieuw dataset (MuAE) en een geavanceerde loss-functie, de voorspelling van intraoperatieve adverse events aanzienlijk verbetert door complexe tijdsafhankelijkheden en onbalans in medische data effectief aan te pakken.
Deze paper introduceert KARL, een systeem dat via multi-task versterkt leren en synthetische trainingsdata state-of-the-art prestaties bereikt op diverse complexe zoektaken binnen ondernemingen, waarbij het zelfs gesloten modellen zoals Claude 4.6 en GPT 5.2 overtreft op kosten-kwaliteit en latentie-kwaliteit afwegingen.
Deze paper introduceert een nieuw kader voor het afleiden van optimale individuele beslissingsregels dat demografische pariteit en conditionele demografische pariteit waarborgt door perturbaties toe te passen op de onbeperkt optimale regels, wat leidt tot een computationeel efficiënte oplossing met bewezen convergentie.
Dit artikel toont aan dat het elimineren van specifieke architecturale vrijheidsgraden, zoals onbegrensde representatiemagnitude en data-afhankelijke attentierouting, de grokking-fase in Transformers voor modulaire optelling volledig kan doorbreken door de architectuur af te stemmen op de intrinsieke symmetrieën van de taak.
Dit artikel introduceert ASR-TRA, een nieuw testtijd-aanpassingskader dat gebruikmaakt van versterkingslering met audio-taal semantische beloningen om de robuustheid van spraakherkenningssystemen te verbeteren in uitdagende real-world omstandigheden zonder grondwahrheidlabels.
SlideSparse is het eerste systeem dat op commodity GPU's de NVIDIA Sparse Tensor Cores activeert voor de accurate -structuur door middel van een Sliding Window Decomposition en Activation Lifting, waardoor LLM's zoals Qwen2.5-7B een tot 1,33x snelheidswinst behalen zonder nauwkeurigheidsverlies.
Deze paper introduceert Recursive Inference Machines (RIMs), een neuraal redeneerkader dat klassieke inferentiemechanismen integreert om bestaande modellen zoals TRMs te verbeteren en prestaties op complexe taken zoals ARC-AGI en Sudoku te verhogen.
Deze paper introduceert een privacyvriendelijk, federatief leerframework dat windturbines op basis van hun gedragsstatistieken clusteren en vervolgens groepspecifieke LSTM-modellen trainen om nauwkeurige kortetermijnvoorspellingen te genereren zonder dat gegevens centraal hoeven te worden samengevoegd.
Dit artikel introduceert een nieuw auditkader voor spraakherkenning dat, door het gebruik van semantische metrieken en de Sample Difficulty Index (SDI) in plaats van alleen woordfoutpercentages, de systematische 'diversiteitsbelasting' voor gemarginaliseerde sprekers blootlegt en helpt bij het mitigeren van deze ongelijkheid.