4091 papers
Dit artikel introduceert actor-versnelde Policy Dual Averaging, een methode die de theoretische convergentievoordelen van PDA combineert met een geleerde actor-netwerk om de berekeningstijd in continue actie-ruimtes te verminderen en zo superieure prestaties te behalen ten opzichte van bestaande on-policy baselines zoals PPO.
Dit paper introduceert een hybride Hidden Markov Model dat discrete markttoestanden combineert met een jump-diffusie-mechanisme om synthetische beursdata te genereren die zowel zware staarten als volatiliteitsclusteren nauwkeurig nabootsen, waardoor het superieur is aan traditionele GARCH- en HMM-modellen voor stress-testen en risicomodellering.
Deze paper introduceert Flexible Cutoff Learning (FCL), een methode die het mogelijk maakt om de straal van de afkapfunctie in machine learning interatomaire potentialen na het trainen aan te passen, waardoor de nauwkeurigheids-kostenefficiëntie voor specifieke toepassingen kan worden geoptimaliseerd zonder het model opnieuw te hoeven trainen.
Dit paper introduceert FusionNet, een neuraal netwerk dat hoge-temporale-resolutie 4D-hartbewegingen reconstrueert uit kortdurende CMR-beelden door tussenliggende 3D-vormen te schatten, waarbij een Dice-score van meer dan 0,897 wordt bereikt.
Dit artikel introduceert SDSR, een schaalbaar spectrale divide-and-conquer-algoritme voor het reconstrueren van soortbomen dat, onder het multispecies coalescent-model, een tot 10-voudige snelheidswinst biedt ten opzichte van bestaande methoden zonder in te boeten aan nauwkeurigheid.
Dit artikel analyseert een continu-tijd diffusi benadering van policy gradient voor stochastische bandieten en bewijst dat de spijt afhankelijk is van de leersnelheid, waarbij een optimale leersnelheid nodig is om lineaire spijt te voorkomen.
Deze paper breidt het harmonische verlies uit door een breed scala aan niet-Euclidische afstandsmaten te onderzoeken en toont aan dat met name cosinus-afstand de prestaties, interpretatie en duurzaamheid van zowel visuele als taalkundige modellen verbetert ten opzichte van de standaard kruis-entropieverliesfunctie.
In dit artikel wordt een nieuw trust-region interior-point stochastisch sequentieel kwadratisch programmeringsalgoritme (TR-IP-SSQP) voorgesteld voor het oplossen van optimalisatieproblemen met een stochastische doelfunctie en deterministische niet-lineaire constraints, waarvan de globale convergentie naar stationaire punten wordt bewezen en de praktische prestaties worden getest op CUTEst-problemen en logistische regressie.
Het paper introduceert I2X, een raamwerk dat ongestructureerde interpretatie omzet in gestructureerde, prototype-gebaseerde verklaringen voor beeldclassificatiemodellen, waardoor niet alleen het besluitvormingsproces transparant wordt maar ook de voorspellingsnauwkeurigheid kan worden verbeterd door gerichte fine-tuning.
Het artikel introduceert One-A, een unificerend raamwerk voor stap-ongeweven klassen-incrementeel leren dat door asymmetrische subspace-alignatie en gerichte gating een enkele adapter gebruikt om stabiel en efficiënt te leren van taken met sterk variërende grootte.
Dit onderzoek toont aan dat een neuromorfe algoritme voor het oplossen van partiële differentiaalvergelijkingen intrinsiek zeer robuust is tegen structurele storingen, waarbij tot 32% van de neuronen en 90% van de spikes verloren kunnen gaan zonder significante nauwkeurigheidsverlies.
Dit paper introduceert SiMPO, een unificerend raamwerk voor online diffusiële versterkende leer dat het gebruik van negatieve steekproeven mogelijk maakt door een virtueel doelbeleid te construeren via een getekend maatstelsel, waardoor suboptimale acties effectief worden afgestoten en de prestaties worden verbeterd.
Dit artikel toont aan dat wanneer de prior in een Bayesiaans hiërarchisch model een canonieke verdeling is, de resulterende afhankelijke marginale prior ook een maximum-entropie-eigenschap bezit, maar dan met een andere constraint op de marginale verdeling van een functie van de onbekende grootheden.
Dit paper verbetert de kwaliteit en causaliteit van synthetische tabulaire data gegenereerd door TabPFN door de autoregressieve generatie te integreren met causale structuren via DAG-gerichte conditionering en CPDAG-strategieën.
Deze studie presenteert een doorbraak waarbij een compact en performant hematopoëtisch algoritme wordt geëxtraheerd uit de interne mechanica van het foundation-model scGPT, wat resulteert in een standalone methode die zonder hertraining superieure prestaties levert ten opzichte van bestaande tools en de interpretatie van biologische foundation-modellen mogelijk maakt.
Dit paper introduceert DICE-RL, een efficiënt finetuningframework dat vooraf getrainde generatieve robotpolicies omzet in hoogpresterende experts door online feedback te gebruiken voor selectieve gedragsregularisatie en waardegeleide actiekeuze.
Dit artikel presenteert een snelle methode voor het schatten van de conditienummer van schaarse matrices met behulp van graph neural networks, die aanzienlijke snelheidswinst biedt ten opzichte van traditionele methoden zoals Hager-Higham en Lanczos.
Deze paper introduceert en bewijst dat exponentiële reward-gewogen SFT een robuustere en schaalbaarder post-training methode is voor generatieve aanbevelingssystemen dan RLHF, omdat deze direct op waargenomen beloningen werkt zonder reward-modellen of propensity scores, terwijl de temperatuurparameter de afweging tussen robuustheid en verbetering theoretisch en empirisch regelt.
Deze paper introduceert ADMM-PnP met een AC-DC-ontruisingsmechanisme om de convergentie en prestaties van score-gebaseerde generatieve modellen in ADMM voor inverse problemen te verbeteren door een driestapsaanpak die de mismatch tussen trainingsmanifolden en iteraties oplost.
Dit paper introduceert een interpreteerbare 'hoekscore' gebaseerd op de gegeneraliseerde singuliere waardenontbinding (GSVD) om individuele steekproeven te diagnosticeren en te bepalen of ze beter worden verklaard door het ene of het andere dataset-geometrische model.