11811 papers
Deze paper introduceert CoIPO, een methode die gebruikmaakt van contrastief leren en inverse directe voorkeursoptimalisatie om de intrinsieke weerstand van grote taalmodellen tegen ruis in prompts te verbeteren, wat resulteert in een aanzienlijke prestatieverbetering op de nieuwe NoisyPromptBench-benchmark.
Deze paper introduceert M-QUEST, een semantisch raamwerk en benchmark met 609 vraag-antwoordparen voor 307 memes, die dient om multimodale toxiciteit te evalueren en de commonsense-resoningscapaciteiten van grote taalmodellen te testen op hun vermogen om de betekenis en intentie van memes te interpreteren.
Dit paper introduceert IntPro, een proxy-agent die contextbewuste gebruiksintenties verbetert door middel van een zoekopdracht-gestuurde inferentie die individuele intentiepatronen uit een geschiedenisbibliotheek benut via toezichtsfine-tuning en GRPO-training.
Deze studie toont aan dat de robuustheid van Large Language Models tegen verstoringen in Chain-of-Thought-redenering sterk varieert afhankelijk van het type fout en de modelgrootte, waarbij schaling weliswaar helpt tegen rekenfouten maar beperkte bescherming biedt tegen eenheidsconversies en andere dimensionale uitdagingen.
Deze paper introduceert een framework voor prompt-afhankelijke rangschikkingen van grote taalmodellen dat, in plaats van op vaste puntenschattingen, vertrouwen op statistisch valide onzekerheidsintervallen om betrouwbare en veilige beslissingen te ondersteunen.
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.
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.
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.
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.
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.
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.
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.
Deze studie introduceert heterogene tijdstappen in Equilibrium Propagation, wat de trainingsstabiliteit en biologische realisme verbetert zonder de prestaties te schaden.
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.