14 papers
Dit artikel introduceert TalisMan2.0, een hybride algebraïsche verificatiemethode die door middel van parallelle multimodulaire berekeningen modulo priemgetallen de noodzaak voor zware big-integer-aritmetiek bij het verifiëren van rekenkringen elimineert en zo de prestaties aanzienlijk verbetert.
Dit artikel introduceert het RDFC-framework voor privacy-bewuste semantische communicatie, waarbij bewezen wordt dat het zelfs zonder gedeelde willekeurigheid privacy garandeert en de communicatie-efficiëntie aanzienlijk verbetert ten opzichte van verliesvrije transmissie.
Dit paper introduceert een methode op basis van genetische programmering voor de symbolische ontdekking van stochastische differentiaalvergelijkingen, waarbij drift- en diffusiefuncties gezamenlijk worden geoptimaliseerd om interpreteerbare wiskundige uitdrukkingen te leren die zowel deterministische dynamica als ruiscomponenten nauwkeurig modelleren.
Dit paper beschrijft een experiment waarbij meerdere LLM-agenten in een interactief bewijssysteem samenwerken via een dynamisch bounty-marktmechanisme om algebraïsche topologie te formaliseren en te bewijzen.
Dit werk presenteert nieuwe algoritmen voor polynoomberekeningen die zowel tijd- als ruimte-efficiënt zijn, met name door de ontwikkeling van de eerste quasi-lineaire methode voor interpolatie van schaarse polynomen en het bestuderen van de complexiteit van fundamentele bewerkingen onder ruimtelijke beperkingen.
Dit artikel toont aan dat versterkingslering (RL) effectief kan worden ingezet om netwerkinstanties te vinden met een aanzienlijk hoger aantal evenwichtspunten dan het gemiddelde, waardoor het een veelbelovende oplossing biedt voor de analyse van complexe niet-lineaire stroomvloeivergelijkingen die traditionele algebraïsche methoden overtreffen.
Dit artikel beschrijft een neurale implementatie van fuzzy cognitive maps, genaamd FHM, die met behulp van Langevin-differentiaal dynamica causale patronen leert en een omgekeerde oplossing biedt om outputwaarden aan te passen aan specifieke beleidsdoelen, waarna de prestaties op diverse datasets zijn geëvalueerd.
Deze paper introduceert een zelftoezicht-gebaseerde machine learning-methode die complexe wiskundige expressies effectief vereenvoudigt door middel van geordende orakeltrajecten, wat resulteert in een aanzienlijk hogere prestatie dan eerdere benaderingen bij het reduceren van dilogarithmen en het vereenvoudigen van spinor-heliciteit verstrooiingsamplitudes in de deeltjesfysica.
Dit artikel presenteert een algoritme voor het vinden van dissipativiteitsbehoudende kwadratificaties van polynoom-ODE-systemen, waarbij de stabiliteitseigenschappen van de oorspronkelijke modellen worden bewaard om analyse en controle te vergemakkelijken.
Dit artikel introduceert Structured Kolmogorov-Arnold Neural ODEs (SKANODEs), een framework dat Kolmogorov-Arnold-netwerken integreert in neurale ODE's om zowel nauwkeurige voorspellingen als interpreteerbare symbolische vergelijkingen voor niet-lineaire dynamische systemen te genereren, zoals aangetoond op oscillatoren en F-16-vibratiedata.
Dit artikel presenteert een efficiënt algoritme dat een subveld van rationale functievelden reduceert tot een eenvoudige genererende verzameling door middel van partiële Gröbner-basisberekeningen via sparse interpolatie, wat zowel de prestaties als de toepasbaarheid in domeinen zoals structurele parameteridentificeerbaarheid verbetert.
Deze paper introduceert een Transformer-gebaseerd raamwerk dat de semantische geometrie van Signal Temporal Logic (STL) distilleert in een continue neurale ruimte, waardoor efficiënte, schaalbare en omkeerbare neurale representaties ontstaan die de logische structuur van formele specificaties behouden zonder de hoge rekenkosten van traditionele symbolische methoden.
Het artikel introduceert R1-Code-Interpreter, een model dat door middel van multi-stage versterkingslering en curriculum learning is getraind om code interpreter autonoom in te zetten voor diverse redeneertaken, waarbij het prestaties van GPT-4o overtreft en emergente zelfcontrole gedrag vertoont.
Deze studie introduceert een fysisch beperkt machine learning-kader dat gebruikmaakt van genetische programmering om automatisch gesloten formules voor multimodale waterretentiecurven van poreuze materialen te ontdekken uit experimentele data, waarbij fysische consistentie wordt gewaarborgd via een aangepaste verliesfunctie.