2295 papers
Dit artikel introduceert MAcPNN, een decentrale leerparadigma voor IoT-datastromen dat gebaseerd is op Vygotsky's socioculturele theorie en waarbij autonome apparaten alleen bij prestatieverlies om hulp vragen aan elkaar via quantized Continuous Progressive Neural Networks, waardoor concept drift en vergeten effectief worden aangepakt met minder communicatie dan federated learning.
Dit artikel presenteert een axioma-benadering voor datagedreven robuuste Markov-beslissingsprocessen op Borel-ruimten, waarbij wordt aangetoond dat empirische verdelingen gecombineerd met een afstandsfunctie leiden tot sterke prestatiegaranties en convergentiebewijzen die ontbreken bij traditionele empirische MDP's.
Dit paper introduceert MAPLE, een nieuw trainingsparadigma dat Test-Time Reinforcement Learning combineert met medische procesbeloningsmodellen om de betrouwbaarheid van medische AI te verbeteren door te schakelen van onbetrouwbare meerderheidsstemming naar expert-gealigneerde, stapsgewijze beloningen.
Dit boek herinterpreteert generatieve AI, met name flow matching, als een statistisch raamwerk voor het niet-parametrisch leren van hoogdimensionale verdelingen, waardoor methoden zoals imputatie en causale inferentie worden onderbouwd door orthogonalisatie en cross-fitting.
Dit paper introduceert Normalized Flow Matching (NFM), een methode die de quasi-bepaalde koppelingsstrategie van een voorgeïntegreerd autoregressief normaliserend stroommodel distilleert om een student-model te trainen dat zowel de prestaties van onafhankelijke en optimale transport-koppelingen overtreft als die van de leraar zelf verbetert.
Deze paper introduceert een exacte en architectuurgetrouwe maatstaf voor de vlakheid van CNN-modellen, gebaseerd op een gesloten vorm voor de Hessiaanse trace, die een robuuste voorspelling biedt voor het generalisatievermogen en de ontwerpkeuzes van deze netwerken.
Dit paper introduceert CALIPER, een detector- en modelonafhankelijke test die uitsluitend op data gebaseerd bepaalt of er na conceptdrift voldoende post-drift data beschikbaar is voor stabiel hertrainen door een monotoon dalende trend in een foutproxy te monitoren.
Dit paper introduceert EPIC, een gedistribueerd SciML-framework dat hardware- en fysica-gestuurde technieken combineert om communicatiekosten en latentie aanzienlijk te verminderen terwijl de fysieke nauwkeurigheid behouden blijft.
Het paper introduceert SCALAR, een bidirectioneel raamwerk dat LLM-planning koppelt aan Deep RL via een geleerde vaardigheidsbibliotheek, waarbij RL-uitkomsten worden gebruikt om de LLM-specificaties iteratief te verfijnen, wat resulteert in aanzienlijk betere prestaties in complexe omgevingen zoals Craftax.
Dit paper introduceert FlexServe, een snel en veilig systeem voor het uitvoeren van Large Language Models op mobiele apparaten dat via flexibele resource-isolatie in ARM TrustZone de prestaties aanzienlijk verbetert ten opzichte van bestaande beveiligde ontwerpen.
Het onderzoek presenteert Sentinel, een autonoom AI-agent dat remote patient monitoring-data met een hogere gevoeligheid voor noodgevallen dan individuele clinici triageert, waardoor schaalbare en kosteneffectieve monitoring mogelijk wordt die de beperkingen van eerdere trials overbrugt.
Het paper introduceert Sim2Act, een robuust kader voor simulatie-naar-beslissingen dat via adversariele kalibratie en groepsrelatieve perturbatie de stabiliteit en betrouwbaarheid van beleidsleer verbetert in kritieke domeinen zoals toeleveringsketens.
Dit artikel introduceert Quality over Quantity (QoQ), een systematische methode die invloedfuncties gebruikt om hoogwaardige demonstraties te selecteren voor robotleren, waardoor de prestaties van beleidsmodellen in zowel gesimuleerde als realistische omgevingen worden verbeterd.
Dit artikel introduceert een geïntegreerd raamwerk voor online betrouwbaarheidsvoorspelling van satellietelektronica dat een Wiener-procesdegradatiemodel combineert met een adaptieve actieve leerverstappen om nauwkeurige voorspellingen te mogelijk maken ondanks beperkte data en variabiliteit.
Dit paper introduceert DynaME, een hybride raamwerk voor online tijdreeksvoorspelling dat conceptdrift onderscheidt in terugkerende en emergente types en deze respectievelijk adresseert door dynamisch gebruik te maken van gespecialiseerde experts voor historische patronen en een stabiele algemene expert voor nieuwe patronen.
Deze paper introduceert lichtgewicht adaptieve decoderingsadapters die, getraind met versterkingslering, dynamisch samplingstrategieën selecteren op basis van taakmoeilijkheid en beschikbare rekenkracht, waardoor de nauwkeurigheid binnen een vast token- of parallelle sampling-budget aanzienlijk verbetert zonder het taalmodel zelf te finetunen.
Dit artikel verifieert dat persistente waarnemers in hypergraafsubstraten voldoen aan de Conant-Ashby Good Regulator-theorema, waardoor natuurlijke gradiëntafstijging als unieke leerregel wordt afgeleid en een verband wordt gelegd tussen Wolfram's hypergrafen en Vanchurin's kosmologie via een modelafhankelijke afleiding van de regimeparameter alpha.
Dit paper introduceert 'Exclusive Self Attention' (XSA), een eenvoudige aanpassing van self-attention die de prestaties van Transformers verbetert door informatie van de token zelf uit te sluiten, waardoor contextmodelleren effectiever wordt, vooral bij langere sequenties.
Dit artikel presenteert een hybride optimalisatieframework dat Proximal Policy Optimization (PPO) en Lineaire Programmering combineert in een door RIS ondersteunde semantische voertuig-edge computing-omgeving, waardoor de eind-tot-eind latentie met 40% tot 50% wordt verlaagd ten opzichte van bestaande methoden.
Deze studie toont aan dat het integreren van sentimentanalyse van nieuwsberichten, gegenereerd door een op Qwen3 gefinetuned LLM, in combinatie met traditionele tabulair data, de voorspellende nauwkeurigheid en economische meerwaarde van aluminiumprijzen aanzienlijk verbetert, vooral tijdens periodes van hoge volatiliteit.