3676 papers
In deze studie worden uitlegbare machine learning-technieken toegepast op een 28-jarige dataset om de toxiciteit van mosselen in de Golf van Triest te voorspellen, waarbij een random forest-model en SHAP-analyse belangrijke bijdragen leveren aan het identificeren van de veroorzakende algensoorten en omgevingsfactoren voor een betere vroegwaarschuwing.
Dit artikel introduceert een geregeliseerd optimalisatieprobleem voor het stoppen van processen, geformuleerd als een singuliere stochastische controle met een entropiestrafsysteem om exploratie te bevorderen, en biedt zowel model-gebaseerde als model-vrije versterkende leeralgoritmen met gegarandeerde verbetering.
Deze paper introduceert de Mamba Neural Operator (MNO), een nieuw framework dat state-space-modellen (SSMs) koppelt aan neurale operatoren om de beperkingen van Transformers bij het oplossen van partiële differentiaalvergelijkingen te overwinnen en zo een superieure oplossing te bieden voor het vastleggen van continue dynamiek en lange-afstandsafhankelijkheden.
Dit paper introduceert EarthquakeNPP, een verbeterde benchmark voor aardbevingvoorspelling die aantoont dat de geteste neurale puntprocessen (NPPs) momenteel niet beter presteren dan de klassieke ETAS-modellen.
Dit artikel introduceert een geometrisch theorie voor generatieve diffusiemodellen, waarin wordt aangetoond dat memorisatie van trainingsdata niet abrupt maar geleidelijk verloopt via een 'gladde instorting' waarbij het model zich geleidelijk concentreert op een paar voorbeelden naarmate de data schaars wordt.
Deze paper introduceert 3D-PIUNet, een hybride methode die fysisch geïnformeerde schattingen combineert met een 3D U-Net om de ruimtelijke nauwkeurigheid van EEG-bronreconstructie te verbeteren en zo de beperkingen van traditionele en puur datagedreven methoden overwint.
Dit artikel introduceert een nieuw continu leerframework voor klassen-incrementeel leren dat taakspecifieke Batch Normalization en out-of-distribution detectie combineert om catastrofale vergeetachtigheid te verminderen en de overgang van taak-incrementeel naar klassen-incrementeel leren mogelijk te maken zonder toegang tot taak-ID's.
Dit paper introduceert CLIQUE, een model-onafhankelijke methode voor lokale variabele belangrijkheid die beter in staat is om lokale afhankelijkheden en interacties in multiclass-classificatieproblemen vast te leggen dan bestaande technieken zoals LIME en SHAP.
Dit paper introduceert een nieuwe enkele-laags kwantumneuraal netwerk dat, gebaseerd op de SRBB-methode en Lie-algebra, unitaire evoluties efficiënt benadert met een exponentieel gereduceerd aantal CNOT-poorten, waarbij de prestaties zowel in simulatie als op echte hardware zijn gevalideerd.
Dit artikel introduceert een nieuw statistisch model voor paarwijze vergelijkingen dat de beperkende aanname van stochastische transitiviteit elimineert door gebruik te maken van een laag-dimensionale schuine-symmetrische matrix, waardoor het superieure voorspellende prestaties biedt in complexe scenario's waar traditionele modellen zoals Bradley-Terry falen.
Dit paper introduceert PoLAr-MAE, een zelftoezichtlerend model dat gemaskeerde puntmodellering toepast op LArTPC-data om fysiek betekenisvolle deeltjetrajecten te leren en zo prestaties te bereiken die vergelijkbaar zijn met gesuperviseerde methoden, maar dan met slechts een fractie van de benodigde gelabelde data.
Deze studie toont aan dat het modelleren van vliegtuigvertragingen door wachtmanoeuvres als een grafprobleem, waarbij CatBoost met grafkenmerken Graph Attention Networks overtreft op een onevenwichtige dataset, leidt tot nauwkeurigere voorspellingen die de operationele efficiëntie en passagierservaring in de luchtvaart kunnen verbeteren.
Dit paper introduceert een optimisme-gebaseerd algoritme voor online KL-geregulariseerd versterkend leren dat, door gebruik te maken van het gunstige optimalisatielandschap, een logaritmische regret-benadering bereikt die de theoretische voordelen van KL-regularisatie voor LLM-finetuning bevestigt.
Deze paper introduceert DIFU-Ada, een trainingsvrij raamwerk voor adaptatie tijdens de inferentie dat het vermogen van diffusiegebaseerde neurale combinatorische optimalisatieoplossers aanzienlijk verbetert om zonder extra training te generaliseren over verschillende probleemgroottes en -types, zoals het overschakelen van het Traveling Salesman Problem naar varianten zoals het Prize Collecting TSP.
Deze paper toont aan dat de geometrie van CLIP fundamenteel beperkt is in het tegelijkertijd verwerken van complexe visuele-taalkundige relaties, en lost dit op door een nieuwe methode genaamd Dense Cosine Similarity Maps (DCSMs) voor te stellen die de semantische topologie behoudt en de prestaties op diverse benchmarks verbetert.
Deze studie toont aan dat diepe spraakruisreductiemodellen kwetsbaar zijn voor psychoakoestisch verborgen adversariële ruis die de output onbegrijpelijk maakt zonder dat de ruis zelf waarneembaar is, wat dringende maatregelen vereist voordat deze systemen veilig in kritieke toepassingen kunnen worden ingezet.
Deze paper introduceert een online leeralgoritme dat windenergieproducenten met een grote marktaandelen in staat stelt om hun biedingen in de Duitse energiemarkt strategisch te optimaliseren en onbalanskosten te minimaliseren door het biedingsprobleem te modelleren als een contextuele multi-armed bandit.
Dit artikel introduceert een Cholesky-SVM-algoritme dat de beperkingen van traditionele SVM's in niet-Euclidische ruimtes overbrugt door de covariantie van de data in de optimalisatie te integreren, wat leidt tot aanzienlijk betere classificatieprestaties dan bestaande methoden.
Deze paper introduceert een nieuwe few-shot beeldfusiemethode die onvolledige prioren combineert met een lichtgewicht neurale netwerk via het Granular Ball Pixel Computation-algoritme, waardoor effectieve fusieregels kunnen worden geleerd met slechts tien beeldparen zonder echte gefuseerde supervisie.
Dit paper introduceert twee nieuwe datagedreven algoritmen die offline versterkte leer- en overlevingsanalyse technieken combineren om optimale prijs- en voorraadbeheerstrategieën te leren in een omgeving met gecensureerde en afhankelijke vraag, waarbij de uitdagingen van ontbrekende winstinformatie en het verlies van de Markov-eigenschap worden overwonnen door het probleem te benaderen als een hoog-ordelijk Markov-beslissingsproces.