Neuro-Symbolic Decoding of Neural Activity
Dit paper introduceert NEURONA, een neuro-symbolisch raamwerk dat structurele priors integreert om de nauwkeurigheid en generalisatie van fMRI-decodering van visuele concepten aanzienlijk te verbeteren.
🤖 Category
cs.LG
11765 papers
GreenPhase: A Green Learning Approach for Earthquake Phase Picking
Het artikel introduceert GreenPhase, een efficiënt en interpreteerbaar groen leermodel dat zonder backpropagation werkt en op de STEAD-dataset uitstekende prestaties levert bij aardbevingdetectie en fasepicking met een reductie van 83% in rekencost.
Automated Measurement of Geniohyoid Muscle Thickness During Speech Using Deep Learning and Ultrasound
Dit artikel introduceert SMMA, een volledig geautomatiseerd framework dat diep leren en skeletgebaseerde kwantificering combineert om de dikte van de geniohyoïde-spier tijdens spraak nauwkeurig te meten, waardoor grootschalige studies naar spraakmotoriek en stoornissen mogelijk worden zonder handmatige annotatie.
The Theory behind UMAP?
Dit artikel corrigeert fouten in Spivaks onuitgegeven manuscript en McInnes et al.'s afleiding van UMAP door een zelfstandig document te bieden met de volledige afleiding van de metriek-realisatiefunctor en een analyse van de UMAP-algoritmeclaims.
Learning Order Forest for Qualitative-Attribute Data Clustering
Dit artikel introduceert de 'Learning Order Forest', een methode die gebruikmaakt van een boomachtige afstandsstructuur en een gezamenlijk leermechanisme om effectief te clusteren op basis van kwalitatieve attributen, wat resulteert in een superieure prestatie vergeleken met bestaande methoden.
Towards Improved Sentence Representations using Token Graphs
Deze paper introduceert GLOT, een lichtgewicht en structureel bewust module die de pooling van token-uitvoer van bevroren grote taalmodellen verbetert door relational learning op een token-similariteitsgrafiek toe te passen, wat leidt tot superieure robuustheid en efficiëntie vergeleken met bestaande methoden.
Beyond Cross-Validation: Adaptive Parameter Selection for Kernel-Based Gradient Descents
Dit artikel introduceert een nieuwe, adaptieve strategie voor parameterselectie in kernel-gebaseerde gradiëntafdaalalgoritmen die, gebaseerd op empirische effectieve dimensie en geïntegreerde bias-variatieanalyse, optimale generalisatiefouten garandeert en superieur is aan bestaande methoden.
Heterogeneous Time Constants Improve Stability in Equilibrium Propagation
Deze studie introduceert heterogene tijdstappen in Equilibrium Propagation, wat de trainingsstabiliteit en biologische realisme verbetert zonder de prestaties te schaden.
Surprisal-Rényi Free Energy
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.
A Short Note on a Variant of the Squint Algorithm
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.
Scalable Contrastive Causal Discovery under Unknown Soft Interventions
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.
[Re] FairDICE: A Gap Between Theory And Practice
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.
Half the Nonlinearity Is Wasted: Measuring and Reallocating the Transformer's MLP Budget
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.
Graph Hopfield Networks: Energy-Based Node Classification with Associative Memory
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.
Biased Generalization in Diffusion Models
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.
When Shallow Wins: Silent Failures and the Depth-Accuracy Paradox in Latent Reasoning
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.
Minimax Optimal Strategy for Delayed Observations in Online Reinforcement Learning
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.
Beyond Pixel Histories: World Models with Persistent 3D State
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.
Optimal trajectory-guided stochastic co-optimization for e-fuel system design and real-time operation
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.
When Small Variations Become Big Failures: Reliability Challenges in Compute-in-Memory Neural Accelerators
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.