65 papers
Dit artikel introduceert een zelftoezichtend evolutionair leerframework dat individuele neurodynamische progressies en identiteitsmanifolden uit ongelabelde EEG-gegevens tijdens veiligheidskritieke beslissingen afleidt, waardoor zowel beveiliging als adaptieve cognitieve modellering mogelijk wordt zonder externe labels.
Dit paper introduceert twee nieuwe modelgedreven evolutionaire frameworks, NEMO-DE en NEEF-DE, die directe en datalabel-vrije near-field multi-source lokalisatie mogelijk maken op continue sferische-golfmodellen voor willekeurige array-geometrieën, waarmee de beperkingen van bestaande grid-gebaseerde en diepe-leerbenaderingen worden overwonnen.
Dit paper introduceert NHILS, een hybride evolutionair algoritme dat een efficiënte Monte Carlo-methode (OPERA-MC) combineert met NSGA-II om het meerdoelige kansbeperkte multiple-choice knapsack-probleem met impliciete verdelingen op te lossen, wat leidt tot superieure prestaties bij het optimaliseren van 5G-netwerkconfiguraties.
Dit artikel presenteert een door de STG-LIFG-PMC-padweg geïnspireerd neuronaal model dat rank-order codering gebruikt om de overgang van akoestische input naar abstracte structurele representaties te verklaren, waarbij het aantoont dat deze methode niet alleen efficiënte compressie en robuustheid biedt, maar ook hiërarchische grammatica ondersteunt en een mechanisme voor globale nieuwheid detectie nabootst.
Dit verslag documenteert de werkzaamheden van de SymBa-groep tijdens de ALICE 2026-werkplaats, waarin Barricelli's pionierswerk over symbiogenese wordt gerepliceerd en uitgebreid naar tweedimensionale werelden en DNA-normen om de rol ervan bij het ontstaan van leven, open-endedheid en collectieve intelligentie te onderzoeken.
Dit paper introduceert PolarBear, een raamwerk dat Bayesiaanse racing en rangschikkingen gebruikt om Pareto-optimale anytime-algoritmen te identificeren zonder normalisatie of bekende optima, waardoor een robuuste vergelijking en selectie mogelijk is onder onbekende computatiebudgetten.
Dit paper introduceert SwitchMT, een nieuwe methode die adaptief taakwisselbeleid en diepe spiking Q-netwerken combineert om schaalbaar en energiezuinig meertaakleren voor autonome agenten mogelijk te maken zonder taakinterferentie of toegenomen netwerkcomplexiteit.
Dit paper introduceert Panda, een voorgetraind model dat, getraind op synthetische chaotische systemen, in staat is om zowel korte-termijnvoorspellingen als statistische verdelingen van onbekende chaotische dynamica, inclusief complexe real-world experimenten en partiële differentiaalvergelijkingen, zonder extra training nauwkeurig te voorspellen.
Dit survey biedt een uitgebreid overzicht van differentiele privacy in machine learning, waarbij het de evolutie van de theorie, de integratie in modellen en de praktische evaluatie bespreekt om veilige en verantwoorde AI-systemen te bevorderen.
Het paper introduceert GOT-JEPA, een model-predictief pretrainingsframework dat de generalisatie en robustheid van objecttracking verbetert door het voorspellen van trackingmodellen in plaats van beeldfeatures, aangevuld met OccuSolver voor verfijnde verwerking van occlusies.
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.
Deze studie toont aan dat het integreren van fysiologisch geïnformeerde spiersynergie-priors in een versterkingsleerframework de biomechanische nauwkeurigheid en generalisatie van voorspellende simulaties van menselijke locomotie aanzienlijk verbetert, zelfs met beperkte experimentele data.
Deze paper introduceert een lichtgewicht hybride framework dat grafische aandacht en grote taalmodellen combineert om een hoogpresterende Amazons-spel-AI te creëren die onder strikte rekenkrachtbeperkingen de prestaties van zijn basismodel overtreft door gebruik te maken van synthetische data en structurele filtering.
Dit paper presenteert een geïntegreerd, gebeurtenisgestuurd e-skin-systeem met dynamische binaire scanning en een FPGA-implementatie van een spiking neurale netwerk (SNN) dat een 99% data-sparsiteit en 92,11% classificatieaccuraatheid bereikt voor real-time robotische perceptie.
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.
Deze paper introduceert een volledig geautomatiseerd AI-systeem dat korte komediesoaps genereert door middel van een agentenpopulatie die de rollen van een productiestudio nabootst en gebruikmaakt van door LLM-aangedreven critici die zijn getraind op YouTube-data om humor te evalueren en de output te optimaliseren.
Dit paper introduceert TT-SNN, een methode die Tensor Train-decompositie en een parallelle rekenpijplijn combineert om de opslag, berekeningskosten en trainingstijd van Spiking Neural Networks aanzienlijk te verminderen met verwaarloosbaar verlies aan nauwkeurigheid.
Dit artikel biedt een uitgebreide review en formele specificatie van voorspellende coderingsnetwerken, een neurobiologisch geïnspireerd raamwerk dat gebruikmaakt van inferentie-leren in plaats van backpropagatie en dat zowel voor toezicht als voor generatieve modellering een veelbelovende basis vormt voor toekomstige innovaties in machine learning.
Deze studie presenteert een door mierennest-geïnspireerde aanpak die virtuele feromonen gebruikt om industriële processen, zoals het bakken van chips, in real-time te classificeren als 'in controle' of 'uit controle' en dreigende overgangen te voorspellen.
Dit artikel bewijst dat Predictive Coding Graphs (PCGs) een wiskundige superverzameling vormen van feedforward neurale netwerken, waardoor ze een breder kader bieden voor machine learning en de studie van netwerktopologieën.