4177 papers
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.
Dit paper introduceert een praktische methode op basis van kernel density estimators om het risico op lidmaatschapsinformatielekken in synthetische tabulardata te kwantificeren, wat leidt tot een robuustere risicobeoordeling dan bestaande basismethoden zonder de noodzaak van rekenintensieve schaduwmodellen.
Deze paper introduceert RAD, een nieuw framework voor veilig Reinforcement Learning from Human Feedback dat in plaats van gemiddelde kosten First-Order Stochastic Dominance-constraints toepast via Optimal Transport om zeldzame catastrofale risico's te beheersen en de robuustheid van het model te verbeteren.
Deze paper introduceert een selectief voorspellingskader voor het terugvinden van molecuulstructuren uit massaspectra dat onzekerheidsmetingen gebruikt om voorspellingen te verwerpen wanneer de kans op fouten te groot is, waardoor betrouwbare annotaties mogelijk worden in kritieke toepassingen.
Dit paper introduceert Scorio, een open-source bibliotheek die statistische methoden biedt voor het betrouwbaar rangschikken van redeneer-LLMs onder test-time scaling, waarbij wordt aangetoond dat bepaalde technieken zelfs bij beperkte trial-aantallen nauwkeurige rankings genereren.
Deze paper introduceert een bio-geïnspireerde zelftoezicht-leerbenadering voor pols-IMU-signalen die, gebaseerd op de subbewegingstheorie, bewegingssegmenten als tokens gebruikt om robuuste representaties te leren die prestaties en data-efficiëntie bij menselijke activiteitsherkenning significant verbeteren.
Dit paper introduceert Pointy, een lichtgewicht transformer-architectuur die, ondanks training op slechts 39.000 puntwolken, concurrerende resultaten behaalt met grotere foundation modellen en de waarde benadrukt van zorgvuldig gecureerde training en architecturale keuzes.
Dit paper introduceert TOSSS, een op CVE's gebaseerde benchmark die de veiligheid van Large Language Models evalueert door hun vermogen te meten om tussen veilige en kwetsbare codefragmenten te kiezen, waarbij geteste modellen scores tussen 0,48 en 0,89 behalen.
Dit artikel presenteert een nieuw FEDERATIEVE LEER-gebaseerd raamwerk voor B5G-netwerken dat de geheime snelheid met ongeveer 30% verbetert en eavesdroppers detecteert door middel van gecoördineerde RIS-noden en een privacy-bewust DCNN-model met vroege exit.
Dit onderzoek toont aan dat een op Graph Neural Networks gebaseerde federatieve leerbenadering, ondersteund door HAPS, superieure straalselectie biedt voor dynamische LEO-6G-netwerken vergeleken met traditionele MLP-modellen.
Deze studie toont aan dat MLP-lagen in transformer-taalmodellen continue signalen routeren via een binaire mechanisme waarbij specifieke neuronen als 'consensus' en 'uitzonderingsbehandelaars' fungeren om te bepalen welke tokens verdere niet-lineaire verwerking nodig hebben.
Dit artikel introduceert een MCMC-gestuurde neurale emulator die onzekerheidskwantificering in dynamische systemen decoupeert van de netwerkarchitectuur door modelparameterverdelingen als input te gebruiken, waardoor de nauwkeurigheid van fysische modellen wordt behouden met aanzienlijk minder rekentijd.
Dit paper introduceert ForwardFlow, een frequentistische deep learning-methode die uitsluitend gebruikmaakt van simulaties om een neuraal netwerk te trainen dat complexe statistische inverse problemen oplost en parameters schat met eigenschappen zoals eindige steekproefnauwkeurigheid en robuustheid.
Dit artikel introduceert een verenigd Bayes-optimalisatiekader met Gaussian processes dat minimalisatie en zadelzoektochten op potentie-energiefuncties versnelt door een uniforme zesstaps-lus, geavanceerde kernel-uitbreidingen en schaalbare random Fourier-features te combineren met pedagogische Rust-implementaties.
Deze paper introduceert Factorized Neural Implicit DMD, een datagedreven, modelvrije methode die de spectrale decompositie van de Koopman-operator parametrisert om complexe spatiotemporale dynamica stabiel te voorspellen, te generaliseren naar nieuwe parameters en te analyseren via onderliggende modi en eigenwaarden.
Dit artikel toont aan dat cross-species transfer learning, waarbij een op muizen getraind sequentiemodel wordt fijn afgesteld op menselijke data, de voorspellingsprestaties voor subklassen van GABA-ergerische interneuronen verbetert en de reproduceerbaarheid van de electrofysiologie-naar-transcriptomiek-mapping bevestigt.
Dit paper introduceert Leech Lattice Vector Quantization (LLVQ), een praktische en volledig paralleliseerbare algoritme dat de Leech-rooster gebruikt om grote taalmodellen efficiënter te comprimeren dan bestaande methoden, zonder de noodzaak van dure opslag van codeboeken.
Het artikel introduceert V2M-Zero, een methode die video naar tijd-gealigneerde muziek vertaalt zonder gekoppelde trainingsdata, door gebruik te maken van binnen-modale gebeurteniskrommen om de gedeelde temporele structuur tussen video en muziek te benutten.
Dit paper introduceert NeFTY, een differentieerbaar fysica-framework dat gebruikmaakt van neurale velden en een strikte numerieke solver om materialen kwantitatief in 3D te reconstrueren op basis van oppervlaktetemperatuurmetingen, waardoor de beperkingen van traditionele thermografie en bestaande PINN-benaderingen voor het detecteren van ondergrondse defecten worden overwonnen.