2944 papers
Dit artikel introduceert en analyseert twee subsampling-schatters, Adaptive Importance Sampling en Stratified Sub-sampling, voor robuuste hoogdimensionale regressie onder zware-tail ruis, contaminatie en tijdsafhankelijkheid, waarbij het theorie-algoritme-gat wordt overbrugd en bewezen wordt dat deze methoden de minimax-optimale snelheid bereiken en empirisch superieur presteren ten opzichte van uniforme subsampling.
Deze paper introduceert Scalable Message Passing Neural Networks (SMPNNs), een architectuur die standaard convolutie combineert met Pre-Layer Normalization in plaats van attention, waardoor diepe en schaalbare graafneuralen netwerken mogelijk worden die prestaties leveren die concurreren met de beste Graph Transformers zonder de hoge rekenkosten van attention-mechanismen.
Dit paper introduceert SPDIM, een parameter-efficiënte geometrische deep learning-methode die bronvrije onbeheerde domeinadaptatie voor EEG-data mogelijk maakt door labelverschuivingen te compenseren via optimalisatie op een SPD-maand, waardoor de generalisatie van neurotechnologieën zoals slaapstadiëring aanzienlijk verbetert.
Deze paper presenteert een onbewaakte prognostiekframework dat ongelabelde data gebruikt om verborgen faalmodi te identificeren en informatieve sensoren te selecteren, waardoor de nauwkeurigheid van de voorspelling van de resterende levensduur voor autonome diep-ruimte habitats wordt verbeterd.
Dit artikel introduceert MS-HGNN, een heterogene graf-neurale netwerkarchitectuur die robotische kinematische structuren en morfologische symmetrieën integreert om dynamische leerprocessen voor multi-lichaamssystemen efficiënter en generaliseerbaarder te maken.
Dit paper introduceert CuriousBot, een systeem dat gebruikmaakt van een 3D-relatieobjectgrafiek om mobiele robots in staat te stellen hun omgeving actief te verkennen door interactie, waarmee het de beperkingen van bestaande methoden die zich voornamelijk op waarneming richten, overtreft.
Deze studie toont aan dat eenvoudige, domeinspecifieke moleculaire vingerafdrukken, in combinatie met LightGBM, peptidefuncties nauwkeuriger voorspellen dan complexe grafische neurale netwerken of transformers, waardoor langdurige interactiemodellering minder essentieel is dan eerder werd aangenomen.
In dit artikel wordt Astromer 2 gepresenteerd, een verbeterde foundation model voor het extraheren van lichtkromme-inbeddingen via zelftoezichtend leren, dat aanzienlijk betere prestaties en generalisatie bereikt dan zijn voorganger Astromer 1, zelfs bij beperkte hoeveelheden gelabelde data.
Dit paper introduceert een unificerend kader om te evalueren hoe personalisatie van machine learning-modellen zowel voorspellingen als uitleg beïnvloedt, waarbij wordt aangetoond dat deze effecten kunnen divergeren en dat de haalbaarheid van het testen van dergelijke effecten afhangt van specifieke datasetkenmerken.
Dit artikel introduceert het concept van een 'ruimtelijke signatuur' voor datasets om de robuustheid van semivalue-gebaseerde datawaardering tegen veranderingen in de nuttigheidsfunctie te analyseren en biedt een praktische methode om de stabiliteit van deze waarderingen te kwantificeren.
Deze paper presenteert een geïntegreerd framework dat likelihood-free inference gebruikt om fysische parameters van vervormbare lineaire objecten te schatten, waarmee domeinrandomisatie in simulatie wordt verbeterd voor het trainen van visuele beleidsstrategieën die zonder aanpassing direct in de echte wereld kunnen worden ingezet.
Dit paper introduceert de Feature Importance Rescaling (FIR)-methode, die de betrouwbaarheid van clustervalidatie in ruisrijke Gaussische mengsels verbetert door de bijdrage van ruisfeatures te verminderen, waardoor de correlatie met de grondwaarheid toeneemt.
Dit perspectief introduceert het concept van functionele eenheden als brug tussen de traditionele 'samenstelling-microstructuur'-paradigma en het nieuwe datagedreven AI-paradigma in de materiaalkunde, met als doel de kennisoverdracht en het ontwerp van nieuwe materialen te verbeteren.
Dit paper introduceert HyConEx, een innovatief diep leermodel voor tabulaire data dat gelijktijdig nauwkeurige classificaties en lokale uitleggen in de vorm van contrafactuele voorbeelden biedt, waardoor het de eerste interpreteerbare classifier is die beide functies in één neurale netwerkbouwkundige combineert.
Dit artikel onderzoekt empirisch of modelbomen met lineaire support vector machines in de bladeren, die via gemengd-gehele lineaire programmering globaal optimaal worden geconstrueerd, concurrerende nauwkeurigheid kunnen bieden met zeer kleine en interpreteerbare bomen in vergelijking met traditionele, lokaal optimale algoritmen.
Dit paper pleit vanuit een consequentiaalistisch perspectief voor het gebruik van proper scoring rules in plaats van binaire classificatiemetrics, onderbouwd met een theoretisch kader, een empirische analyse van huidige praktijken en de introductie van het Python-pakket `briertools` om deze aanpak toegankelijker te maken.
Dit artikel introduceert CDGLT, een trainings-efficiënt framework voor multimodaal metafoorherkenning dat gebruikmaakt van conceptdrift en LayerNorm-tuning om de kloof tussen letterlijke en figuurlijke interpretaties te overbruggen en state-of-the-art prestaties te behalen op de MET-Meme-benchmark.
Dit paper introduceert Stepwise Guided Policy Optimization (SGPO), een framework dat het probleem van volledig negatieve steekproefgroepen in GRPO oplost door gebruik te maken van een stapsgewijze beoordelaar voor diversiteit, waardoor het model effectief kan leren van fouten zonder dat de beoordelaar zelf correcte oplossingen hoeft te genereren.
Dit paper introduceert de Gaussian-Multinoulli Restricted Boltzmann Machine (GM-RBM), een energiegebaseerd generatief model dat de standaard GB-RBM uitbreidt met q-staats categorische (Potts) verborgen eenheden om discrete, gestructureerde representaties te leren, en toont aan dat dit model bij gelijke capaciteit concurrerende of betere resultaten bereikt op analogie- en geheugenopdrachten vergeleken met binaire latente modellen.
Dit paper introduceert JULI, een methode die zwarte-doos Large Language Models via een plug-in genaamd BiasNet en manipulatie van token-logkansen, zelfs met slechts de top-5 voorspellingen, succesvol kan omzeilen zonder toegang tot modelgewichten.