13080 papers
Deze paper introduceert een onzekerheidsbewuste machine learning-methode die, getraind op synthetische data, de poolstructuur van hadronische toestanden zoals de succesvol kan classificeren en zo onderscheid maakt tussen echte compacte pentaquarks en andere fysieke mechanismen.
Deze paper introduceert een nieuw raamwerk voor cross-subject motorische voorstellingsdecoding dat een vooraf getraind groot hersenmodel gebruikt voor dynamische selectie van relevante bronnen en Cauchy-Schwarz-divergenties toepast voor gelijktijdige uitlijning op feature- en beslissingsniveau, waardoor de prestaties aanzienlijk worden verbeterd ten opzichte van bestaande methoden.
NaviMaster introduceert als eerste unificerende agent die GUI-navigatie en embodied navigation binnen één raamwerk combineert door een gemeenschappelijke MDP-formulering, een verenigde versterkingsleerstrategie en een afstandsgevoelige beloning te gebruiken, wat resulteert in superieure prestaties op diverse benchmarks.
Dit artikel introduceert ChaosComp, een nieuw classificatiekader dat dynamische systemen en compressie combineert door klassen te modelleren via symbolische dynamica van chaotische kaarten, waarbij het label wordt bepaald door de kortste gereconstrueerde codering.
Het paper introduceert PSEO, een framework dat de prestaties van post-hoc stacking-ensembles verbetert door basismodelselectie via binaire kwadratische programmering en een geoptimaliseerde hyperparameterzoektocht, wat resulteert in de beste gemiddelde testrangschikking onder 16 geëvalueerde methoden op 80 datasets.
Het artikel introduceert DART, een server-side plug-in voor federatief leren die de robuustheid van modellen tegen beeldvervormingen verbetert zonder extra rekenlast voor de clients of toegang tot privédata.
Dit paper introduceert CloudFormer, een Transformer-gebaseerd model dat prestatiedegradatie van virtuele machines in publieke clouds met onbekende werklasten nauwkeurig voorspelt door gebruik te maken van een dubbelvertakkingsarchitectuur en een gedetailleerde dataset, waardoor het significant beter presteert dan bestaande methoden.
Dit paper introduceert TimeAlign, een lichtgewicht framework dat de prestaties van tijdreeksvoorspellers verbetert door historische en toekomstige representaties uit te lijnen via reconstructie, waardoor frequentieonbalans wordt gecorrigeerd en de generalisatie wordt versterkt.
Dit artikel introduceert twee onzekerheidsbewuste aggregatiemethoden, UWA en sUWA, die onbetrouwbare clientvoorspellingen in federale distillatie onderdrukken om de prestaties bij hoge dataheterogeniteit te verbeteren.
Deze studie introduceert een nieuwe methode om metacognitieve vaardigheden in grote taalmodellen te meten zonder op zelfrapportage te vertrouwen en concludeert dat frontier-modellen sinds begin 2024 beperkte, contextafhankelijke en kwalitatief van de mens afwijkende vermogens vertonen om hun eigen zekerheid en voorspelbare antwoorden strategisch in te zetten.