11526 papers
Dit paper introduceert Akkumula, een nieuw modeleringskader voor evidence-accumulatie in rijgedrag dat gebruikmaakt van Spiking Neural Networks om realistische, schaalbare en transparante voertuigbesturingsmodellen te creëren die versnelling, remming en sturen nauwkeurig nabootsen.
Dit artikel introduceert PubHealthBench, een nieuwe benchmark met meer dan 8000 vragen gebaseerd op Britse overheidsrichtlijnen om de kennis van LLMs op het gebied van volksgezondheid te evalueren, waarbij wordt geconstateerd dat hoewel de nieuwste modellen bij meerkeuzevragen menselijke prestaties overtreffen, hun prestaties bij open antwoorden beperkter blijven en aanvullende veiligheidsmaatregelen vereisen.
Dit artikel introduceert het EG-MRSI-raamwerk, een theoretische architectuur voor een enkel agent dat introspectieve metacognitie, emotie-gedreven intrinsieke motivatie en veilige recursieve zelfverbetering integreert om een rigoureuze basis te leggen voor open-ended AGI.
Deze paper introduceert een nieuw onbeheerd kader voor Invariant Risk Minimization dat invariance herdefinieert via uitlijning van kenmerkverdelingen, waardoor robuuste representaties kunnen worden geleerd zonder labels door middel van methoden zoals PICA en VIAE.
TSPulse is een familie van ultralichte, vooraf getrainde modellen met ontkoppelde representaties die door middel van een innovatief pre-training framework en hybride masking strategie superieure zero-shot prestaties en efficiëntie biedt op diverse tijdsreeksdiagnostische taken, zelfs in vergelijking met modellen die 10 tot 100 keer groter zijn.
Dit artikel introduceert een nieuwe informatie-theoretische ondergrens voor de steekproefcomplexiteit bij het identificeren van de beste arm in stochastische bandietproblemen met meerdere optima en een bekend aantal, en bewijst dat een aangepaste Track-and-Stop-algoritme deze grens asymptotisch bereikt.
Deze paper introduceert Feature Mixing, een snelle en modale-onafhankelijke methode voor multimodale outlier-synthese die de prestaties van Out-of-Distribution-detectie en -segmentatie aanzienlijk verbetert, vergezeld van een nieuw dataset genaamd CARLA-OOD.
Dit artikel onderzoekt de convergentie- en ontsnappingsdynamica van Stochastic Gradient Descent in één dimensionale landschappen met oneindige of eindige variantie, waarbij wordt aangetoond dat de tijdschalen voor het bereiken van lokale minima en het verlaten van nabijgelegen maxima worden bepaald door de interactie tussen ruiskenmerken en de geometrie van de functie.
Dit paper introduceert de BAH-dataset, een multimodaal videocollectie van 300 deelnemers met door experts geannoteerde momenten van ambivalentie en aarzeling, die dient als eerste bron voor het ontwikkelen en benchmarken van machine learning-modellen ter ondersteuning van digitale gedragsverandering.
SafeDPO is een lichtgewicht, theoriegedreven methode die Large Language Models direct en effectief veilig afstemt zonder reward-modellen of complexe pijplijnen, terwijl het tegelijkertijd de nuttigheid behoudt.
Deze paper introduceert TADA, een framework dat de generalisatie van beeldclassificatoren verbetert door slechts een doelgerichte subset van trainingsdata met diffusion-modellen te augmenteren, wat leidt tot betere prestaties dan het vergroten van de volledige dataset of het gebruik van geavanceerde optimalisatoren.
Deze studie introduceert een computatie-efficiënte, op copula's gebaseerde supervised filter die Gumbel-tail-concordantie gebruikt om diabetesrisicofactoren te selecteren, waarbij de methode op grote datasets snel werkt en klinisch coherente voorspellers identificeert die vaak door standaardmethodes worden gemist.
Deze paper introduceert Supervised Calibration (SC), een unificerend framework dat de beperkingen van bestaande kalibratiemethoden voor In-Context Learning in LLMs overwint door het leren van optimale affiene transformaties in de logit-ruimte, waardoor de beslissingsgrenzen effectief kunnen worden aangepast en de prestaties aanzienlijk worden verbeterd.
Dit artikel biedt een overzicht van de kansen en beperkingen van de bestaande machine learning-frameworks vanuit het perspectief van de benaderingstheorie en introduceert nieuwe onderzoeksmethoden om functies te benaderen op onbekende variëteiten zonder specifieke variëteitskenmerken te hoeven leren.
Deze paper introduceert een energiezuinig en kosteneffectief systeem voor het monitoren van structurele trillingen dat een gezamenlijk geoptimaliseerde diffractieve laag combineert met een ondiep neuronaal netwerk om 3D-trillingsspectra van constructies op afstand en in real-time te reconstrueren, wat een aanzienlijke verbetering in nauwkeurigheid biedt ten opzichte van conventionele methoden.
Dit paper introduceert AutoQD, een theoretisch onderbouwde methode die Markov-beslissingsprocessen en random Fourier-features gebruikt om automatisch gedragsbeschrijvers te genereren voor Quality-Diversity-optimatie, waardoor diverse hoogpresterende beleidsregels kunnen worden ontdekt zonder handmatige domeinkennis.
Het artikel introduceert Conflict-aware Evidential Deep Learning (C-EDL), een lichtgewicht post-hoc methode die de robuustheid van onzekerheidsquantificatie tegen adversariale en out-of-distribution invoer aanzienlijk verbetert door representational disagreement te benutten zonder hertraining.
Dit onderzoek toont aan dat 'honest estimation' bij causal forests, hoewel bedoeld om overfitting te voorkomen, de nauwkeurigheid van individuele behandelingseffecten kan verminderen door onderfitting te veroorzaken, waardoor het gebruik ervan moet worden afgewogen op basis van specifieke toepassingsdoelen en empirische evaluatie in plaats van als standaardpraktijk.
De auteurs stellen een nieuwe Bayesiaanse methode voor die de federale ADMM generaliseert door variatie-Bayesiaanse doelen te koppelen aan een dualiteitsstructuur, waardoor nieuwe varianten zoals Newton- en Adam-achtige updates ontstaan die de nauwkeurigheid in diepe heterogene scenario's verbeteren.
Deze paper introduceert een theoretisch kader dat aantoont dat standaard sparse autoencoders ground truth-functies vaak niet volledig kunnen herstellen, en lost dit op met een gewogen variant (WSAE) die door middel van een reweighting-strategie de interpretatie en monosemanticiteit aanzienlijk verbetert.