3364 papers
Tureis is een zelftoezichtende, contextbewuste Transformer-methode die in smart homes op basis van randapparatuur meerdere sensorstoringen detecteert en lokaliseert zonder labels, waardoor de nauwkeurigheid aanzienlijk verbetert ten opzichte van bestaande methoden.
Dit artikel evalueert hoe goed autonome cyberaanval-agenten generaliseren bij onverwachte IP-adreswijzigingen en concludeert dat hoewel prompt-gedreven LLM-agenten de beste prestaties leveren op onbekende scenario's, dit ten koste gaat van transparantie en rekenkracht, terwijl andere aanpassingsmethoden significant prestatieverlies vertonen.
Deze studie toont aan dat de manier waarop veiligheidsbenchmarks worden opgesteld (met name het gebruik van open-ended versus meerkeuzevragen) een grotere invloed heeft op de gemeten veiligheid van taalmodellen dan de specifieke architectuur van de scaffolding, en dat veiligheidsrangschikkingen sterk variëren afhankelijk van de gebruikte benchmark, waardoor universele claims over modelveiligheid onbetrouwbaar zijn.
Dit artikel introduceert een parameter-efficiënt continu leerframework voor menselijke activiteitsherkenning dat door middel van kanaal-gewijze gatenmodulatie van bevroren pretrained representaties de balans tussen plasticiteit en stabiliteit verbetert, waardoor het vergeten van eerdere taken aanzienlijk wordt verminderd zonder dat er replay-buffers nodig zijn.
Dit paper introduceert eXplicit Sharpness-Aware Minimization (XSAM), een verbeterde implementatie die de beperkingen van de bestaande SAM-methode overwint door de richting van het maximum expliciet te schatten en een effectieve zoekruimte te creëren, wat resulteert in consistente prestatieverbeteringen met verwaarloosbare rekenkosten.
Dit paper introduceert InFusionLayer, een open-source Python-tool die Combinatorial Fusion Analysis (CFA) technieken, zoals de RSC-functie en cognitieve diversiteit, integreert in een ensemble-leerarchitectuur om de prestaties van multiclassificatieproblemen te verbeteren en compatibel is met PyTorch, TensorFlow en Scikit-learn.
Deze paper introduceert FlowSem-MAE, een protocol-natief tabulair pretrainingsparadigma dat de inductieve bias-mismatch van bestaande byte-sequentiemethoden oplost door protocolsemantiek te respecteren, waardoor het encrypted traffic classificatie aanzienlijk verbetert met slechts de helft van de gelabelde data.
Het artikel introduceert OMNIGUIDE, een flexibel raamwerk dat de prestaties van algemene robotbeleidmodellen (VLA's) op complexe taken aanzienlijk verbetert door diverse bronnen van geleiding om te zetten in differentieerbare energiefuncties die de actie-sampling sturen.
Dit paper introduceert CAADRL, een deep reinforcement learning-framework dat de clusterstructuur van Pickup and Delivery-problemen expliciet benut via cluster-bewuste codering en hiërarchische decoding om state-of-the-art prestaties te bereiken met aanzienlijk lagere inferentiële latentie dan bestaande methoden.
Dit artikel bevestigt na twintig jaar het vermoeden dat de volumegemiddelde Ricci-scalar in informatiegeometrie voor boom- en volledige-graaf netwerken kwantisatie vertoont, weerlegt het echter voor algemene netwerken door tegenvoorbeelden aan te tonen en breidt de theorie uit naar Gaussische netwerken met een teken-dichotomie tussen discrete en continue structuren.
Dit onderzoek toont aan dat het voorpre-trainen van grote taalmodellen op synthetische, niet-taalgebonden data gegenereerd door neurale cellulaire automaten de prestaties en convergentie significant verbetert, zelfs ten opzichte van veel grotere hoeveelheden natuurlijk taaldata.
Dit paper introduceert HTMuon, een verbeterde versie van de Muon-optimizer die door middel van heavy-tailed spectrale correctie de prestaties van LLM's en beeldclassificatie verbetert door de beperkingen van de oorspronkelijke orthogonale update-regel te overwinnen.
Deze paper introduceert SAPO, een methode die met slechts één regel code de trainingsinstabiliteit van bestaande zoekagenten oplost door een conditionele token-level KL-beperking toe te passen, wat leidt tot een aanzienlijke prestatieverbetering op diverse benchmarks.
Dit paper presenteert de eerste toepassing van sparse autoencoders op het tijdreeks-foundationmodel Chronos-T5, waarbij wordt aangetoond dat causaal kritieke kenmerken zich bevinden in de middenlagen die abrupte dynamiek detecteren, in plaats van in de semantisch rijkste laatste laag.
Dit artikel toont aan dat neurale netwerken bij het leren van conditionele relaties eerst een marginaal plateau bereiken dat wordt gestabiliseerd door gradiëntruis, voordat ze een scherpe collectieve overgang maken naar volledige conditionele kennis.
Dit artikel introduceert Stochastic Port-Hamiltonian Neural Networks (SPH-NNs), een architectuur die passiviteit garandeert en universeel de dynamiek van stochastische port-Hamiltoniaanse systemen kan benaderen met verbeterde nauwkeurigheid en energiebehoud op lange termijn vergeleken met standaard netwerken.
Dit artikel biedt een kwantitatieve theorie voor de 'catapult-fase' in SGD-training van ondiepe netwerken, waarbij een expliciete criteriumfunctie bepaalt of er met hoge waarschijnlijkheid grote spikes optreden of dat de kans hierop exponentieel afneemt.
Dit paper introduceert Amnesia, een lichtgewicht aanvalstechniek die interne transformer-activaties manipuleert om bestaande veiligheidsmechanismen in open-weight grote taalmodellen te omzeilen en zo schadelijke inhoud te genereren zonder aanvullende training.
Dit paper introduceert een methode voor multi-stadiaresidulair leren in quantummodellen om de 'Fourier-parameteriseringsbias' te mitigeren en zo de expressiviteit voor het leren van meerdere frequentiecomponenten aanzienlijk te verbeteren.
Dit paper introduceert Multi-Level Concept Splitting (MLCS) en Deep-HiCEMs om diepe, mensinterpreteerbare concepthiërarchieën te ontdekken uit slechts top-niveau supervisie, waardoor modellen zowel nauwkeuriger worden als beter interpreteerbaar en manipuleerbaar op verschillende abstractieniveaus.