3093 papers
Dit artikel introduceert 6ABOS, een open-source Python-framework dat de 6S-stralingstransportmodel en Google Earth Engine gebruikt om de atmosferische correctie van EnMAP-hyperspectrale beelden over water te automatiseren en zo nauwkeurige reflectiewaarden te verkrijgen die sterk overeenkomen met veldmetingen.
Deze paper introduceert SNPgen, een tweestaps latent diffusion-model dat privacy-bevarende, fenotype-gestuurde synthetische genotype-data genereert die prestatie-technisch vergelijkbaar zijn met real-data voor polygenische risicoscores, zonder individuele privacy te schenden.
Deze paper introduceert LAtte, een nieuw raamwerk dat Lorentz-attentie en een InceptionTime-encoder combineert om robuuste en generaliseerbare EEG-classificatie over verschillende proefpersonen mogelijk te maken door eerst een gedeelde basis te leren en vervolgens subject-specifieke aanpassingen toe te passen.
Deze paper introduceert een parameter-efficiënte Diffusion Transformer die, dankzij een 2D CNN-encoder en DDPO-finetuning, 200bp celtype-specifieke regulatoire DNA-sequenties genereert met een aanzienlijk snellere convergentie, minder memorisatie en een 38-voudige verbetering in voorspelde regulatoire activiteit vergeleken met eerdere modellen.
Deze paper introduceert nieuwe op kernen gebaseerde tests voor het beoordelen van de equivalentie tussen verdelingen, die de beperkingen van traditionele goodness-of-fit-tests en bestaande parametrische equivalentietests overwinnen door het gebruik van kernel-Stein-discrepantie en Maximum Mean Discrepancy.
Dit artikel introduceert Dynamics-Predictive Sampling (DPS), een methode die de effectiviteit van versterkingslering voor grote redeneermodellen verbetert door door middel van Bayesiaanse inferentie en een verborgen Markov-model de leerdynamiek van prompts te voorspellen, waardoor kostbare rollouts worden geminimaliseerd en het trainingsproces wordt versneld zonder in te leveren op de redeneerprestaties.
Dit artikel bespreekt de impact van niet-ergodische beloningsprocessen op versterkingslering, legt uit waarom de verwachte waarde als optimalisatiedoel tekortschiet voor individuele agenten, en presenteert bestaande oplossingen om de langetermijnprestaties van individuele trajecten te maximaliseren.
LookaheadKV is een lichtgewicht framework dat de prestaties van KV-cache-evictie verbetert door parameter-efficiënte modules te gebruiken om toekomstige belangrijke tokens te voorspellen zonder dure generatie, wat leidt tot een aanzienlijke vermindering van de uitvoeringstijd en kosten bij lange contexttaken.
Dit paper introduceert een nieuwe aanpak voor het voorspellen van NCAA-toernooien door Combinatorial Fusion Analysis te gebruiken om teamranglijsten te genereren, wat resulteert in een nauwkeurigheid van 74,60% die hoger is dan die van de beste bestaande publieke rangschikkingssystemen.
Dit paper introduceert ECoLAD, een evaluatieprotocol voor tijdsreeks-anomaliedetectie in voertuigen dat prestaties evalueert onder realistische, beperkte rekenkracht om aan te tonen dat lichtgewicht klassieke methoden vaak robuuster zijn dan diepe leermodellen voor daadwerkelijke implementatie.
Dit paper introduceert "Historical Consensus Training", een iteratief selectieproces voor GMM-priors dat posterior collapse in variational autoencoders volledig elimineert door een stabiel historisch obstakel te creëren dat de degeneratie naar de prior onmogelijk maakt, ongeacht decodervariatie of regularisatiesterkte.
Dit paper introduceert een praktische methode op basis van kernel density estimators om het risico op lidmaatschapsinformatielekken in synthetische tabulardata te kwantificeren, wat leidt tot een robuustere risicobeoordeling dan bestaande basismethoden zonder de noodzaak van rekenintensieve schaduwmodellen.
Deze paper introduceert RAD, een nieuw framework voor veilig Reinforcement Learning from Human Feedback dat in plaats van gemiddelde kosten First-Order Stochastic Dominance-constraints toepast via Optimal Transport om zeldzame catastrofale risico's te beheersen en de robuustheid van het model te verbeteren.
Deze paper introduceert een selectief voorspellingskader voor het terugvinden van molecuulstructuren uit massaspectra dat onzekerheidsmetingen gebruikt om voorspellingen te verwerpen wanneer de kans op fouten te groot is, waardoor betrouwbare annotaties mogelijk worden in kritieke toepassingen.
Dit paper introduceert Scorio, een open-source bibliotheek die statistische methoden biedt voor het betrouwbaar rangschikken van redeneer-LLMs onder test-time scaling, waarbij wordt aangetoond dat bepaalde technieken zelfs bij beperkte trial-aantallen nauwkeurige rankings genereren.
Deze paper introduceert een bio-geïnspireerde zelftoezicht-leerbenadering voor pols-IMU-signalen die, gebaseerd op de subbewegingstheorie, bewegingssegmenten als tokens gebruikt om robuuste representaties te leren die prestaties en data-efficiëntie bij menselijke activiteitsherkenning significant verbeteren.
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.