11488 papers
Deze paper introduceert een methode om intrinsieke beloningen te leren via black-box meta-learning, waardoor reinforcement learning-agenten efficiënter kunnen leren en beter generaliseren in omgevingen met schaarse beloningen.
Deze paper introduceert AuToMATo, een uit het doosje werkend clustering-algoritme op basis van persistente homologie dat door middel van een bootstrapping-procedure significante pieken in dichtheidsfuncties isoleert en in tests vaak beter presteert dan bestaande state-of-the-art methoden, inclusief de optimale parameterinstellingen daarvan.
Dit artikel bepaalt de drempel voor detectie van correlatie in een paar gecorreleerde stochastische blokmodellen met lage graad-polynomen, waarbij wordt aangetoond dat detectie mogelijk is dan en slechts dan als de subsampling-kans de minimumwaarde van de wortel van de constante van Otter en de Kesten-Stigum-drempel overschrijdt.
Dit paper introduceert de Iterative Proportional Markovian Fitting (IPMF) procedure, een verenigd raamwerk dat de Iterative Markovian Fitting en Sinkhorn-algoritme combineert om het Schrödinger-brugprobleem op te lossen met verbeterde stabiliteit en convergentie voor toepassingen zoals ongepaarde domeintranslatie.
Deze paper introduceert ANOMIX, een framework dat de detectie van subtiel gemaskeerde grensanomalieën in grafen verbetert door het synthetiseren van moeilijke negatieve voorbeelden via mixup, waardoor de redeneercapaciteit van GNN's wordt versterkt.
Dit paper introduceert CeGDRO, een curriculum-gebaseerde aanpak die de norm van het vermijden van curriculum learning bij subpopulatieverschuivingen doorbreekt door het model te initialiseren met de moeilijkste bias-bevestigende en makkelijkste bias-conflicterende voorbeelden, wat leidt tot significante prestatieverbeteringen ten opzichte van de huidige state-of-the-art.
FlowCLAS verbetert de prestaties van normaliserende flows voor anomalie-segmentatie in dynamische robotische omgevingen door een contrastief verlies toe te voegen aan het maximum likelihood-objctief, waardoor een nieuwe state-of-the-art wordt bereikt die de prestatiekloof met leidende discriminatieve methoden overbrugt.
Dit paper introduceert FSMLP, een nieuw framework voor tijdsreeksvoorspelling dat overfitting bij het modelleren van kanaalafhankelijkheden aanpakt door middel van een Simplex-MLP-laag, gebaseerd op Rademacher-complexiteitstheorie, wat leidt tot verbeterde nauwkeurigheid en schaalbaarheid op zeven benchmarkdatasets.
Deze paper streeft naar een gestandaardiseerde evaluatie van geheugen in RL-agenten door cognitief geïnspireerde definities te introduceren en een robuuste experimentele methodologie voor te stellen die de complexiteit van geheugentypen ontrafelt en objectieve vergelijkingen mogelijk maakt.
Dit paper introduceert LoCo-RLHF, een framework dat lage-rang-contextuele modellen en een pessimistische beleidsstrategie combineert om heterogene menselijke feedback efficiënter te verwerken en robuustere, gepersonaliseerde taalmodellen te trainen.
Deze paper toont theoretisch en empirisch aan dat het verwijderen van moeilijke voorbeelden de generalisatie en downstream prestaties van onbewaakte contrastief leren verbetert, in tegenstelling tot wat in supervised learning het geval is.
Dit paper identificeert en analyseert 'preferentielekage', een besmettingsprobleem waarbij LLM-judges onbewust vooroordelen vertonen ten opzichte van door hen zelf of verwante modellen gegenereerde trainingsdata, wat leidt tot een systematische vertekening in evaluaties.
Deze paper introduceert MIKASA, een uitgebreide benchmark voor het evalueren van geheugenvermogens in versterkingslering, met name gericht op complexe robotmanipulatie taken.
Deze paper introduceert het UNB StepUP-P150-dataset, een grote openbare bron van hoogwaardige plantaire drukgegevens van 150 personen onder verschillende loop- en schoeiselcondities, die een nieuwe standaard vormt voor ganganalyse en -herkenning.
Dit paper introduceert Implicit U-KAN 2.0, een nieuw interpreteerbaar en efficiënt medisch beeldsegmentatiemodel dat een tweede-orde neuronale gewone differentiaalvergelijking en MultiKAN-lagen combineert om de prestaties te verbeteren en de theoretische onderbouwing te versterken.
Dit artikel introduceert de TS4NAP-methode, die medische taxonomieën en grafische matching combineert om de voorspelling van de volgende behandelstap bij patiënten te verbeteren en te verklaren, met name om de uitdagingen van beperkte en complexe medische data te overwinnen.
Dit onderzoek analyseert negen kwaliteitsdimensies van 326 beeldclassificatiemodellen om inzicht te krijgen in factoren die bijdragen aan 'goed gedrag' en introduceert de QUBA-score als een nieuwe metriek voor het beoordelen van modellen op basis van meer dan alleen nauwkeurigheid.
Dit artikel introduceert een nieuw interactiegericht dataset en een verfijningsprocedure die Multimodale Grootte Taalmodellen gebruikt om de generatie van afbeeldingen met complexe objectinteracties te verbeteren door prompts te ontleden, afbeeldingen te evalueren en gerichte aanpassingen toe te passen.
Dit paper introduceert PinRec, een schaalbaar generatief ophaalmodel voor Pinterest dat uitkomstgeconditioneerde generatie en multi-token generatie combineert om de diversiteit, prestaties en bedrijfsdoelen van aanbevelingssystemen effectief in evenwicht te brengen.
Dit artikel introduceert N2M-RSI, een formeel model dat aantoont dat een AI-agent die zijn eigen output als trainingsdata gebruikt, na het overschrijden van een drempel voor informatieverwerking onbeperkt in complexiteit kan groeien, met potentieel superlineaire effecten in agent-zwermen.