4159 papers
Deze empirische studie toont aan dat LLM-afstemming op morele redenering geen diversiteitsbevorderende algoritmen vereist, omdat standaard RLVR-methode voor beloningsmaximalisatie even effectief zijn dankzij de geconcentreerde aard van hoogwaardige morele antwoorden.
Dit paper introduceert het 'Gradient Flow Drifting'-framework, dat wiskundig aantoont dat het recente Drifting-model equivalent is aan een Wasserstijn-gradiëntstroom voor de forward KL-divergentie onder KDE-approximatie, en biedt een theoretisch onderbouwde strategie voor het combineren van divergenties om zowel modusinstorting als modusvervaging te voorkomen.
Dit technische artikel beschrijft een JAX-implementatie van de Self-Scaled Broyden-familie van quasi-Newton-methoden, inclusief BFGS, DFP en hun zelfgeschaalde varianten, die volledig compatibel is met de Optimistix-optimalisatiebibliotheek om de adoptie binnen de JAX-gemeenschap te vergemakkelijken.
Dit paper introduceert Geo-ATBench, een benchmark en het GeoFusion-AT-framework voor geospatiale audiotagging, die aantonen dat het integreren van geografische semantische context de nauwkeurigheid van geluherkenning verbetert, vooral bij akoestisch vergelijkbare gebeurtenissen.
Dit artikel introduceert Conditional Expectation Reward (CER), een methode die grote taalmodellen gebruikt als impliciete verifiers om versterkingslering met verifieerbare beloningen uit te breiden naar domeinen met vrije antwoorden door een zachte, graduele beloning te bieden op basis van de waarschijnlijkheid van het genereren van een referentieantwoord.
Dit paper presenteert een nieuwe, verklaarbare aanpak om neurale netwerk-backdoors te detecteren en te elimineren door middel van actieve paden, met succesvolle experimenten in het domein van inbraakdetectie.
Dit paper introduceert FAME, een nieuwe methode voor formele abstracte minimale verklaringen van neurale netwerken die via geavanceerde perturbatiedomeinen en LiRPA-bounds schaalbaar is naar grote netwerken terwijl het de grootte van de verklaringen verkleint en de kwaliteit kwantificeert.
Dit paper introduceert een STA-GNN-model voor onbewaakte en verklaarbare anomaliedetectie in industriële besturingssystemen, dat ruimtelijk-temporele afhankelijkheden leert, drift en valse alarmen aanpakt via conformale voorspelling, en meerdere datamodi combineert voor betrouwbare cyber-fysieke beveiliging.
Dit artikel presenteert een data-gedreven framework dat Singular Value Decomposition combineert met SHRED-neurale netwerken om de volledige magnetohydrodynamische toestand van fusie-relevante systemen nauwkeurig en efficiënt te reconstrueren op basis van slechts drie temperatuursensoren, zelfs voor niet-getrainde magnetische veldintensiteiten.
Dit paper introduceert Contract And Conquer (CAC), een methode die via kennisdistillatie en een bewezen overdraagbaarheidsgarantie het zoekruimte voor adversariële voorbeelden in een black-box model contracteert om zo binnen een vast aantal iteraties een gegarandeerd adversariaal voorbeeld te vinden.
Dit paper introduceert EvoSchema, een uitgebreid benchmarkkader dat een nieuwe taxonomie van schema-evoluties gebruikt om de robuustheid van text-to-SQL-systemen te evalueren en te verbeteren tegenover dynamische veranderingen in databaseschema's.
Dit paper introduceert Riemannian MeanFlow, een methode die Flow Matching uitbreidt naar Riemanniaanse variëteiten om hoogwaardige generatie in één stap mogelijk te maken door parallel transport en log-kaarten te gebruiken om de noodzaak van numerieke integratie te elimineren.
Dit artikel introduceert een efficiënt Sample-and-Search-algoritme voor het leren-versterkte k-mediane clusterprobleem in hoge dimensies, dat de computationele complexiteit en de afhankelijkheid van de dimensie aanzienlijk vermindert ten opzichte van bestaande methoden.
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.