11738 papers
Deze paper introduceert de Surprisal-Rényi Free Energy (SRFE), een log-momentgebaseerde functionaal die de voorwaartse en omgekeerde KL-divergenties als singuliere eindpunten omvat en een expliciete mean-variance trade-off onthult die de geometrische en grote-afwijkingenstructuur onderliggende aan deze leerregimes verduidelijkt.
Dit korte artikel beschrijft een eenvoudige variant van het Squint-algoritme en bewijst dat deze een regretgrens garandeert die lijkt op die van een recente variant van het NormalHedge-algoritme.
Deze paper introduceert een schaalbaar contrastief model voor causale ontdekking dat, ondanks onbekende zachte interventies en beperkte data, een consistent globale causale structuur kan afleiden en theoretisch bewezen is om meer randen te oriënteren dan bestaande methoden.
Deze replicatiestudie concludeert dat hoewel FairDICE theoretisch waardevol is voor het vinden van eerlijke compromissen in multi-objective offline RL, de oorspronkelijke experimenten door een codefout en onvoldoende specificatie van hyperparameters onbetrouwbaar waren, maar dat de methode na correctie wel effectief schaalbaar is.
Dit onderzoek toont aan dat een aanzienlijk deel van de niet-lineariteit in transformer-MLP's overbodig is en dat het dynamisch vervangen ervan door lineaire substituten, gebaseerd op context, de rekenkosten kan verlagen of zelfs de prestaties kan verbeteren.
Dit artikel introduceert Graph Hopfield Networks, een energiegebaseerd model dat associatief geheugen koppelt aan grafen-Laplaciaanse gladmaking voor nodenclassificatie, wat leidt tot verbeterde prestaties op schaarse netwerken en robuustheid onder feature-maskering.
Dit paper toont aan dat diffusiemodellen tijdens het trainen een fase van 'bevooroordeelde generalisatie' doormaken waarbij de testfout daalt terwijl de gegenereerde samples onterecht te veel lijken op de trainingsdata, wat betekent dat stoppen op het minimum van de testfout onvoldoende is voor privacykritische toepassingen.
Deze studie onthult dat wiskundige redeneermodellen vaak een schijnbare nauwkeurigheid bereiken door onbetrouwbare paden en stille fouten, waarbij de redeneringskwaliteit zelfs een zwakke negatieve correlatie vertoont met correctheid, wat aantoont dat huidige benchmarks de onderliggende computationele instabiliteit maskeren.
Dit artikel presenteert een minimax-optimale strategie voor versterkend leren met vertraagde waarnemingen die, door een combinatie van augmentatie en upper confidence bounds, een regretgrens bereikt die tot op logaritmische factoren wordt bewezen als optimaal.
Dit paper introduceert PERSIST, een nieuw wereldmodel dat een persistente 3D-ruimtelijke staat simuleert om consistente geometrie en langdurig ruimtelijk geheugen te garanderen, waardoor realistischere interactieve video-generatie en directe 3D-bewerking mogelijk worden.
Dit artikel introduceert MasCOR, een door machine learning ondersteund co-optimisatiekader dat de ontwerp- en operationele planning van e-brandstofsystemen onder onzekerheid versnelt en toepast op Europese locaties voor e-methanolproductie om locatie-specifieke strategieën voor schaal en opslag te bepalen.
Dit artikel bespreekt de betrouwbaarheidsuitdagingen van Compute-in-Memory-neurale versnellers door kleine apparaatvariaties die leiden tot grote fouten, en presenteert cross-layer oplossingen zoals SWIM en robuustere trainingsmethoden om deze systemen geschikt te maken voor veiligheidskritieke toepassingen.
Deze studie introduceert een diagnostisch kader om de stabiliteit van rangschikkingen in het benchmarken van genregulatienetwerken te kwantificeren, waarbij wordt aangetoond dat omkeringen in rangorde voornamelijk worden veroorzaakt door variaties in de discriminatievermogens van methoden onder verschillende evaluatieprotocollen in plaats van door basisrate-effecten.
Deze studie presenteert een nieuwe geographically-weighted weakly supervised Bayesian High-Resolution Transformer die Sentinel-1, RCM en AMSR2-gegevens fuseert om 200 meter resolutie zee-ijsconcentratiekaarten en bijbehorende onzekerheidsschattingen voor het hele Arctische gebied te genereren, ondanks uitdagingen zoals subtiele ijskenmerken en onnauwkeurige labels.
Dit onderzoek toont aan dat de exponentiële misaligning tussen de hoge dimensie van het perceptuele manifold van neurale netwerken en dat van menselijke concepten de oorsprong is van adversarial voorbeelden en een fundamenteel obstakel vormt voor robuustheid.
In dit artikel wordt OrbEvo, een equivariante grafische transformer-architectuur, voorgesteld om de tijdsafhankelijke evolutie van elektronische golffuncties in TDDFT onder externe velden efficiënt en nauwkeurig te voorspellen, waardoor de rekenkosten van conventionele methoden aanzienlijk worden verlaagd.
Dit paper introduceert de MMAI Gym for Science, een alles-in-één platform voor het trainen van efficiënte 'Liquid Foundation Models' die, ondanks hun kleinere formaat, grotere algemene modellen overtreffen op specifieke taken in de geneesmiddelenontwikkeling door de taal van moleculen te beheersen.
Dit artikel introduceert Q-Measure-Learning, een efficiënt algoritme voor continu-staat versterkend leren dat een getekende empirische maat leert via gekoppelde stochastische benadering, waarbij het bijna zeker convergeert naar een vast punt van een kernel-gegladde Bellman-operator en de benaderingsfout kwantificeert.
Dit paper introduceert MASS, een meta-leerframework dat grote taalmodellen in staat stelt om zich tijdens het testen aan te passen door specifiek synthetische trainingsdata te genereren en gerichte zelf-updates uit te voeren die via bilevel-optimatie zijn geoptimaliseerd voor downstream-prestaties.
Deze studie introduceert een logit-niveau onzekerheidskwalificatiekader voor Vision-Language Models in de histopathologie om de betrouwbaarheid en transparantie van deze modellen in zorgtoepassingen te waarborgen.