4175 papers
Dit artikel presenteert een volledig datagedreven raamwerk dat door het combineren van adaptieve, mechanismebewuste voorspellers (gebaseerd op OTD-modes) met een Transformer-model, de voorspellingshorizon voor extreme gebeurtenissen in chaotische dynamische systemen aanzienlijk uitbreidt zonder kennis van de onderliggende vergelijkingen te vereisen.
Deze paper introduceert 'Super Neurons', een methode waarbij het direct aftasten van schaalactivaties in de lagere lagen van Vision Language Models leidt tot robuustere classificatieprestaties en een snelheidsverhoging tot 5,10x door extreme vroege exit.
Dit artikel presenteert een AI-gedreven raamwerk met contextbewuste splitsing en foutcorrectie om de ruimtelijke generalisatie van verkeerprognoses voor 5G/6G-netwerken te verbeteren en het risico op datalekken te verminderen.
Dit artikel presenteert een hiërarchisch Graph Attention Network (HR-GAT) dat openbare implementatiegegevens gebruikt om de spectrumvraag op fijne ruimtelijke schaal nauwkeuriger te schatten, waardoor de allocatie en het delen van spectrum voor regelgevers effectiever wordt.
Dit paper introduceert MCCOP, een framework dat gebruikmaakt van een diffusiemodel om in een continue latent ruimte biologisch plausibele en minimale mutaties te genereren die de eigenschappen van eiwitten op een interpreteerbare manier naar een gewenste toestand sturen.
Dit artikel presenteert en evalueert een nieuwe verdedigingsmechanisme voor trajectvoorspellingsmodellen op basis van randomisatie, dat de weerbaarheid tegen adversariële aanvallen consistent verbetert zonder de nauwkeurigheid in normale omstandigheden te verminderen.
Het artikel introduceert ReTabSyn, een versterkt leerproces voor het synthetiseren van realistische tabulaire data dat door prioriteit te geven aan het leren van conditionele distributies in plaats van de volledige gezamenlijke distributie, de prestaties van downstream-modellen verbetert in scenario's met weinig data en onbalans.
Het paper introduceert EvoKernel, een zelfevoluerend agentiek framework dat door middel van een waardegedreven geheugenaanpak en versterkingsleer de uitdagingen van het ontbreken van trainingsdata voor NPU-kernels oplost, waardoor de correctheid van generatieve modellen van 11% naar 83% stijgt en de uitvoeringssnelheid met een factor 3,6 verbetert.
Dit paper introduceert , een methode die een Generalist Value Model als prior combineert met empirische rollouts via real-time statistische testen en dynamische budgettoewijzing, waardoor een robuuste en efficiënte advantage-baseline wordt verkregen die significant betere prestaties en snellere convergentie bereikt dan GRPO en DAPO op wiskundige redeneerbenchmarks.
Dit artikel introduceert 6ABOS, een open-source Python-framework dat de 6S-stralingstransportmodel en Google Earth Engine gebruikt om de atmosferische correctie van EnMAP-hyperspectrale beelden over water te automatiseren en zo nauwkeurige reflectiewaarden te verkrijgen die sterk overeenkomen met veldmetingen.
Deze paper introduceert SNPgen, een tweestaps latent diffusion-model dat privacy-bevarende, fenotype-gestuurde synthetische genotype-data genereert die prestatie-technisch vergelijkbaar zijn met real-data voor polygenische risicoscores, zonder individuele privacy te schenden.
Deze paper introduceert LAtte, een nieuw raamwerk dat Lorentz-attentie en een InceptionTime-encoder combineert om robuuste en generaliseerbare EEG-classificatie over verschillende proefpersonen mogelijk te maken door eerst een gedeelde basis te leren en vervolgens subject-specifieke aanpassingen toe te passen.
Deze paper introduceert een parameter-efficiënte Diffusion Transformer die, dankzij een 2D CNN-encoder en DDPO-finetuning, 200bp celtype-specifieke regulatoire DNA-sequenties genereert met een aanzienlijk snellere convergentie, minder memorisatie en een 38-voudige verbetering in voorspelde regulatoire activiteit vergeleken met eerdere modellen.
Deze paper introduceert nieuwe op kernen gebaseerde tests voor het beoordelen van de equivalentie tussen verdelingen, die de beperkingen van traditionele goodness-of-fit-tests en bestaande parametrische equivalentietests overwinnen door het gebruik van kernel-Stein-discrepantie en Maximum Mean Discrepancy.
Dit artikel introduceert Dynamics-Predictive Sampling (DPS), een methode die de effectiviteit van versterkingslering voor grote redeneermodellen verbetert door door middel van Bayesiaanse inferentie en een verborgen Markov-model de leerdynamiek van prompts te voorspellen, waardoor kostbare rollouts worden geminimaliseerd en het trainingsproces wordt versneld zonder in te leveren op de redeneerprestaties.
Dit artikel bespreekt de impact van niet-ergodische beloningsprocessen op versterkingslering, legt uit waarom de verwachte waarde als optimalisatiedoel tekortschiet voor individuele agenten, en presenteert bestaande oplossingen om de langetermijnprestaties van individuele trajecten te maximaliseren.
LookaheadKV is een lichtgewicht framework dat de prestaties van KV-cache-evictie verbetert door parameter-efficiënte modules te gebruiken om toekomstige belangrijke tokens te voorspellen zonder dure generatie, wat leidt tot een aanzienlijke vermindering van de uitvoeringstijd en kosten bij lange contexttaken.
Dit paper introduceert een nieuwe aanpak voor het voorspellen van NCAA-toernooien door Combinatorial Fusion Analysis te gebruiken om teamranglijsten te genereren, wat resulteert in een nauwkeurigheid van 74,60% die hoger is dan die van de beste bestaande publieke rangschikkingssystemen.
Dit paper introduceert ECoLAD, een evaluatieprotocol voor tijdsreeks-anomaliedetectie in voertuigen dat prestaties evalueert onder realistische, beperkte rekenkracht om aan te tonen dat lichtgewicht klassieke methoden vaak robuuster zijn dan diepe leermodellen voor daadwerkelijke implementatie.
Dit paper introduceert "Historical Consensus Training", een iteratief selectieproces voor GMM-priors dat posterior collapse in variational autoencoders volledig elimineert door een stabiel historisch obstakel te creëren dat de degeneratie naar de prior onmogelijk maakt, ongeacht decodervariatie of regularisatiesterkte.