3128 papers
Dit paper introduceert CacheSolidarity, een systeem dat timing-kantekanaal-aanvallen via automatische prefix-caching in multi-tenant LLM-systemen voorkomt door verdachte cache-deling selectief te isoleren, waardoor de prestaties en efficiëntie behouden blijven ten opzichte van bestaande, volledig isolerende verdedigingsmechanismen.
Deze studie vergelijkt Monte Carlo Dropout en Conformal Prediction voor onzekerheidsschatting in CNN's en concludeert dat GoogLeNet beter gekalibreerd is dan VGG16, terwijl Conformal Prediction statistisch gegarandeerde voorspellingen biedt die essentieel zijn voor betrouwbare AI-toepassingen.
Dit paper stelt een structurele oplossing voor datalekken in machine learning voor door een grammatica met zeven primitieven en runtime-geforceerde constraints te introduceren die selectie- en memorisatielekken effectief voorkomen, in plaats van te vertrouwen op documentatie.
CUPID is een plug-in framework dat ongemodificeerde, vooraf getrainde diepe netwerken in staat stelt om zowel aleatorische als epistemische onzekerheid te schatten zonder hertraining, waardoor betrouwbare en interpreteerbare AI-toepassingen in hoog-risicodomains mogelijk worden.
Dit paper introduceert DeepRDFC, een op autoencoders gebaseerd framework dat de totale variatie-afstand tot een onbekende doelverdeling minimaliseert en zo aanzienlijke verbeteringen in communicatie-efficiëntie biedt ten opzichte van traditionele datacompressie voor willekeurige gedistribueerde functieberekening.
Dit paper presenteert een aanpak die fysiek onkloonbare functies (PUF's) gebruikt om de gewichten van neurale netwerken te koppelen aan unieke hardware-eigenschappen, waardoor het kopiëren van deze modellen naar gekloonde hardware onmogelijk wordt gemaakt en de intellectuele eigendom effectief wordt beschermd.
Dit artikel introduceert Sign-Prioritized FL (SP-FL), een nieuw framework voor draadloze federatielearning dat de betrouwbaarheid en nauwkeurigheid verbetert door ongelijkwaardige hulpbronnen toe te wijzen aan belangrijke gradiëntinformatie, waarbij prioriteit wordt gegeven aan het teken van de gradiënten boven de grootte.
Dit artikel presenteert een volledig datagedreven raamwerk dat door het combineren van adaptieve, mechanismebewuste voorspellers (gebaseerd op OTD-modes) met een Transformer-model, de voorspellingshorizon voor extreme gebeurtenissen in chaotische dynamische systemen aanzienlijk uitbreidt zonder kennis van de onderliggende vergelijkingen te vereisen.
Deze paper introduceert 'Super Neurons', een methode waarbij het direct aftasten van schaalactivaties in de lagere lagen van Vision Language Models leidt tot robuustere classificatieprestaties en een snelheidsverhoging tot 5,10x door extreme vroege exit.
Dit artikel presenteert een AI-gedreven raamwerk met contextbewuste splitsing en foutcorrectie om de ruimtelijke generalisatie van verkeerprognoses voor 5G/6G-netwerken te verbeteren en het risico op datalekken te verminderen.
Dit artikel presenteert een hiërarchisch Graph Attention Network (HR-GAT) dat openbare implementatiegegevens gebruikt om de spectrumvraag op fijne ruimtelijke schaal nauwkeuriger te schatten, waardoor de allocatie en het delen van spectrum voor regelgevers effectiever wordt.
Dit paper introduceert MCCOP, een framework dat gebruikmaakt van een diffusiemodel om in een continue latent ruimte biologisch plausibele en minimale mutaties te genereren die de eigenschappen van eiwitten op een interpreteerbare manier naar een gewenste toestand sturen.
Dit artikel presenteert en evalueert een nieuwe verdedigingsmechanisme voor trajectvoorspellingsmodellen op basis van randomisatie, dat de weerbaarheid tegen adversariële aanvallen consistent verbetert zonder de nauwkeurigheid in normale omstandigheden te verminderen.
Het artikel introduceert ReTabSyn, een versterkt leerproces voor het synthetiseren van realistische tabulaire data dat door prioriteit te geven aan het leren van conditionele distributies in plaats van de volledige gezamenlijke distributie, de prestaties van downstream-modellen verbetert in scenario's met weinig data en onbalans.
Het paper introduceert EvoKernel, een zelfevoluerend agentiek framework dat door middel van een waardegedreven geheugenaanpak en versterkingsleer de uitdagingen van het ontbreken van trainingsdata voor NPU-kernels oplost, waardoor de correctheid van generatieve modellen van 11% naar 83% stijgt en de uitvoeringssnelheid met een factor 3,6 verbetert.
Dit paper introduceert , een methode die een Generalist Value Model als prior combineert met empirische rollouts via real-time statistische testen en dynamische budgettoewijzing, waardoor een robuuste en efficiënte advantage-baseline wordt verkregen die significant betere prestaties en snellere convergentie bereikt dan GRPO en DAPO op wiskundige redeneerbenchmarks.
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.