2276 papers
Dit artikel presenteert een hybride besturingsmethode die Deep Reinforcement Learning combineert met bounded extremum seeking om de robuustheid en prestaties van controllers voor niet-lineaire, tijdvariërende systemen te verbeteren, zoals gedemonstreerd bij de automatische afstelling van een deeltjesversneller.
Dit paper introduceert de Latent Speech-Text Transformer (LST), een model dat spraaktokens aggregeert tot latente patches om de rekenefficiëntie te verbeteren en de prestaties van zowel spraak- als teksttaken te verhogen door de sequentiegranulariteit tussen beide modaliteiten te aligneren.
AlphaApollo is een agentic redeneersysteem dat de beperkingen van fundamentele modellen in complexe probleemoplossing en onbetrouwbare testtijd-evolutie aanpakt door middel van een geïntegreerde architectuur met multi-turn redenering, versterkt leren en een iteratieve evolueringscyclus met tool-geassisteerde verificatie.
Deze paper introduceert het nieuwe taakgebied DGLSS-NL voor LiDAR-segmentatie met onvolmaakte labels, presenteert een eerste benchmark en stelt DuNe voor, een dubbelzicht-architectuur die de prestaties aanzienlijk verbetert door consistentie tussen sterke en zwakke weergaven te forceren en vertrouwen-gebaseerde filtering toe te passen.
Het paper introduceert RECODE, een agentisch framework dat multimodale redenering verbetert door visuele elementen zoals grafieken en diagrammen om te zetten in verifieerbare uitvoerbare code via een proces van afbeelding naar code en terug.
Het artikel introduceert REAP, een nieuwe methode voor het comprimeren van MoE-modellen door experts te verwijderen in plaats van ze te samenvoegen, wat leidt tot superieure prestaties op generatieve taken zoals codegeneratie door het behoud van de fijne routeringscontrole.
Het paper introduceert RL-100, een robuust real-world reinforcement learning-framework dat diffusiebeleid combineert met PPO en consistentiedistillatie om robotmanipulatietaken met 100% succes en menselijke snelheid uit te voeren, zelfs onder dynamische veranderingen en zonder hertraining.
Dit paper introduceert Bradley-Terry Policy Optimization (BTPO), een methode die een consistente Monte Carlo-schatter voorstelt om het trainen van generatieve voorkeurmodellen met chain-of-thought-reasoning voor niet-verifieerbare taken mogelijk te maken, waarbij het probleem van het latentere redeneerproces wordt opgelost dat bestaande RL-benaderingen beperkt.
Dit paper introduceert AffPCL, een nieuw raamwerk voor gepersonaliseerd collaboratief leren dat heterogene agenten in staat stelt om hun sample complexiteit te reduceren door een adaptieve, affiniteitsgebaseerde variance-reductie die naadloos varieert tussen lineaire versnelling bij homogeniteit en onafhankelijk leren bij hoge heterogeniteit.
Dit paper introduceert FALCON, een nieuw paradigma dat rijke 3D-ruimtelijke tokens afgeleid van RGB-beelden injecteert in de actiehead van Vision-Language-Action-modellen om de ruimtelijke redenering te verbeteren en state-of-the-art prestaties te bereiken in zowel simulatie als real-world taken.
Het artikel introduceert GraphKeeper, een nieuwe methode voor graf-domein-incrementeel leren die catastrofale vergetelheid aanpakt door kennisontvlechting en -behoud te combineren, waardoor state-of-the-art resultaten worden behaald met minimale vergetelheid en naadloze integratie met graf-fondamentmodellen.
Dit paper introduceert gestructureerde matrix-schaling met geavanceerde regularisatie en optimalisatie om overfitting bij multi-class kalibratie te voorkomen en zo aanzienlijk betere prestaties te behalen dan bestaande methoden zoals temperatuur- en vector-schaling.
Dit artikel introduceert LTSV, een lichtgewicht methode voor het waarderen van tijdreeksdata in foundationmodellen via in-context finetuning en temporele blokkenaggregatie, die een nauwkeurige en schaalbare oplossing biedt voor de beperkingen van traditionele datawaarderingstechnieken.
Deze paper introduceert een methode voor het classificeren van de gezondheidstoestand van lagers op basis van in-context learning met tijdreeks-fundamentmodellen, waardoor vibratiegegevens zonder fijnafstemming kunnen worden geanalyseerd en de weg vrijmaken voor schaalbare AI-onderhoudssystemen.
Dit artikel introduceert een periodiek asynchrone, on-policy framework voor LLM-versterkingsleer dat door het scheiden van inferentie en training een drievoudige tot vijfvoudige toename in doorvoersnelheid bereikt zonder de nauwkeurigheid te beïnvloeden.
Dit artikel introduceert Decoder-DeepONet (DDON), een interpreteerbaar operator-leermodel dat superieure prestaties biedt bij het reconstrueren van elektrische veldprofielen uit EFISH-signalen in ongelijkmatige plasma's, zelfs bij onvolledige invoer, en tegelijkertijd inzicht verschaft in de meest kritieke signaalgebieden voor optimale bemonstering.
Dit artikel introduceert ELERAG, een verbeterde Retrieval-Augmented Generation-architectuur die Entiteitenkoppeling integreert om de feitelijke nauwkeurigheid van educatieve vraag-antwoordsystemen in het Italiaans te verhogen, waarbij experimenten aantonen dat deze domeinspecifieke aanpak de prestaties van standaardmodellen overtreft in gespecialiseerde contexten.
Deze paper introduceert SA²GFM, een robuust framework voor graf-fundamentmodellen dat domeinadaptatie en weerstand tegen verstoringen verbetert door hiërarchische structurele priors om te zetten in semantische augmentatie, een informatie-flessenhals-mechanisme en een expert-adaptieve routering.
ADHint is een nieuwe methode voor versterkingsleren die de beperkte schaalbaarheid en lage sample-efficiëntie aanpakt door moeilijkheidsgraden expliciet te integreren in het plannen van hints en de schatting van voordelen, waardoor een betere balans tussen exploratie en imitatie wordt bereikt en superieure redeneervermogens worden gerealiseerd.
Dit paper introduceert Directional Textual Inversion (DTI), een methode die de norm van embeddings fixeert en uitsluitend de richting optimaliseert om de tekstgetrouwheid en interpolatiemogelijkheden bij gepersonaliseerde tekst-naar-beeldgeneratie te verbeteren.