3057 papers
Dit paper introduceert Pointy, een lichtgewicht transformer-architectuur die, ondanks training op slechts 39.000 puntwolken, concurrerende resultaten behaalt met grotere foundation modellen en de waarde benadrukt van zorgvuldig gecureerde training en architecturale keuzes.
Dit paper introduceert TOSSS, een op CVE's gebaseerde benchmark die de veiligheid van Large Language Models evalueert door hun vermogen te meten om tussen veilige en kwetsbare codefragmenten te kiezen, waarbij geteste modellen scores tussen 0,48 en 0,89 behalen.
Dit artikel presenteert een nieuw FEDERATIEVE LEER-gebaseerd raamwerk voor B5G-netwerken dat de geheime snelheid met ongeveer 30% verbetert en eavesdroppers detecteert door middel van gecoördineerde RIS-noden en een privacy-bewust DCNN-model met vroege exit.
Dit onderzoek toont aan dat een op Graph Neural Networks gebaseerde federatieve leerbenadering, ondersteund door HAPS, superieure straalselectie biedt voor dynamische LEO-6G-netwerken vergeleken met traditionele MLP-modellen.
Deze studie toont aan dat MLP-lagen in transformer-taalmodellen continue signalen routeren via een binaire mechanisme waarbij specifieke neuronen als 'consensus' en 'uitzonderingsbehandelaars' fungeren om te bepalen welke tokens verdere niet-lineaire verwerking nodig hebben.
Dit artikel introduceert een MCMC-gestuurde neurale emulator die onzekerheidskwantificering in dynamische systemen decoupeert van de netwerkarchitectuur door modelparameterverdelingen als input te gebruiken, waardoor de nauwkeurigheid van fysische modellen wordt behouden met aanzienlijk minder rekentijd.
Dit paper introduceert ForwardFlow, een frequentistische deep learning-methode die uitsluitend gebruikmaakt van simulaties om een neuraal netwerk te trainen dat complexe statistische inverse problemen oplost en parameters schat met eigenschappen zoals eindige steekproefnauwkeurigheid en robuustheid.
Dit artikel introduceert een verenigd Bayes-optimalisatiekader met Gaussian processes dat minimalisatie en zadelzoektochten op potentie-energiefuncties versnelt door een uniforme zesstaps-lus, geavanceerde kernel-uitbreidingen en schaalbare random Fourier-features te combineren met pedagogische Rust-implementaties.
Deze paper introduceert Factorized Neural Implicit DMD, een datagedreven, modelvrije methode die de spectrale decompositie van de Koopman-operator parametrisert om complexe spatiotemporale dynamica stabiel te voorspellen, te generaliseren naar nieuwe parameters en te analyseren via onderliggende modi en eigenwaarden.
Dit artikel toont aan dat cross-species transfer learning, waarbij een op muizen getraind sequentiemodel wordt fijn afgesteld op menselijke data, de voorspellingsprestaties voor subklassen van GABA-ergerische interneuronen verbetert en de reproduceerbaarheid van de electrofysiologie-naar-transcriptomiek-mapping bevestigt.
Dit paper introduceert Leech Lattice Vector Quantization (LLVQ), een praktische en volledig paralleliseerbare algoritme dat de Leech-rooster gebruikt om grote taalmodellen efficiënter te comprimeren dan bestaande methoden, zonder de noodzaak van dure opslag van codeboeken.
Het artikel introduceert V2M-Zero, een methode die video naar tijd-gealigneerde muziek vertaalt zonder gekoppelde trainingsdata, door gebruik te maken van binnen-modale gebeurteniskrommen om de gedeelde temporele structuur tussen video en muziek te benutten.
Dit paper introduceert NeFTY, een differentieerbaar fysica-framework dat gebruikmaakt van neurale velden en een strikte numerieke solver om materialen kwantitatief in 3D te reconstrueren op basis van oppervlaktetemperatuurmetingen, waardoor de beperkingen van traditionele thermografie en bestaande PINN-benaderingen voor het detecteren van ondergrondse defecten worden overwonnen.
XConv is een geheugen-efficiënte, drop-in vervanging voor convolutielagen die de opslag van tussenactivaties drastisch reduceert door gebruik te maken van gecomprimeerde representaties en stochastische schattingen, zonder de architectuur te beperken of significante rekenkosten toe te voegen.
Deze survey biedt een overzicht van decentrale federatieve leermethodes tot begin 2026, classificeert ze in traditionele en blockchain-gebaseerde families, stelt een nieuwe taxonomie voor die gebaseerd is op uitdagingen, en identificeert kritieke onderzoekslacunes en toekomstige richtingen op het gebied van beveiliging, privacy en prikkels.
Deze paper overwint de beperkingen van eerdere wiskundige analyses om aan te tonen dat willekeurig geïnitieerde, polynomaal over-geparameteriseerde convolutionele neurale netwerken gestructureerde 'winnende loterijtickets' bevatten die zonder training andere netwerken kunnen benaderen.
Dit paper introduceert een theoretisch onderbouwde, proefbare filter voor grafclustering die zowel homofiele als heterofiele structuren in real-world grafen effectief verwerkt door het construeren van lage- en hoogdoorlaatfilters en het versterken van belangrijke kenmerken via een squeeze-and-excitation blok.
Dit paper presenteert een diep learning-gebaseerd raamwerk dat door gezamenlijke ontdekking van coördinaten en stroomkaarten de computationele efficiëntie van multischaal-systemen verbetert met state-of-the-art voorspellende nauwkeurigheid en lagere kosten.
Dit artikel introduceert een eerlijkheidsbewuste methode voor het detecteren van meerdere doelgroepen in online discussies, die zowel de voorspellende prestaties verbetert als de bias tussen verschillende groepen vermindert in de context van toxiciteitsdetectie.
Dit artikel presenteert een schaalbaar, multi-agent Q-learning-systeem voor het updaten van HD-kaarten in voertuignetwerken dat, in vergelijking met single-agent benaderingen, de computelast verlaagt en de netwerklatentie aanzienlijk verbetert.