2403 papers
Dit artikel stelt een Agentic OODA-framework voor en evalueert dit, dat gebruikmaakt van multi-agent-systemen met human-in-the-loop-validatie om de variabiliteit en vertrouwensproblemen van standaard LLM's te overwinnen, waarbij significant hogere outputconsistentie en betrouwbaarheid wordt aangetoond voor transparante, kritieke klinische besluitvormingsondersteuning bij beroertezorg.
Dit artikel introduceert MMANet, een privacy-bewerkend, uitsluitend op video gebaseerd deep learning-framework dat micro-macro temporele uitlijning benut om de ernst van depressie over diverse culturele datasets heen robuust te schatten, waarbij een hoge nauwkeurigheid wordt bereikt zonder afhankelijk te zijn van ruisgevoelige of indringende audio- en tekstmodaliteiten.
Dit artikel stelt een classificatiemethode voor voor smeltsporen bij onderzoek naar elektrische branden, die een Swin transformer en een bidirectioneel feature pyramid netwerk met directionele cross-scale attention fusie gebruikt om, vergeleken met bestaande op CNN gebaseerde benaderingen, een superieure nauwkeurigheid en robuustheid tegen beelddegradatie te bereiken.
Dit artikel introduceert FactLink, de eerste benchmark voor de taak van Fact-checking Link Role Classification, die bestaat uit twee meertalige datasets van geannoteerde links en aantoont dat hoewel gefinetunede transformers uitblinken in datarijke omgevingen, few-shot Large Language Models een superieure robuustheid bieden in scenario's met weinig middelen en over verschillende domeinen heen.
Dit artikel introduceert OPERA, een Byzantijnse fouttolerante executiemodel dat concurrentie over nodes uitbreidt via partiële replicatie en inter-node parallellisme, waardoor de executiekosten aanzienlijk worden verlaagd en de doorvoer in blockchains wordt verhoogd zonder de veiligheid of applicatiesemantiek in gevaar te brengen.
Dit artikel stelt een taakbewust graph reinforcement learning-framework voor dat herbruikbare redeneercontexten in black-box LLM's comprimeert door een lichtgewicht beleid te trainen om extractieve keep-or-drop-beslissingen te nemen op graafgestructureerde redeneereenheden, waarbij aanzienlijke besparingen op de inputkosten worden behaald terwijl de redelijke nauwkeurigheid behouden blijft.
Het artikel introduceert EquiEwald, een nieuw SO(3)-equivariante neurale interatomaire potentiaal die Ewald-sommatie uitbreidt naar de reciproke ruimte om lang reikende elektrostatische en polarisatie-interacties effectief te vangen terwijl oriëntatieafhankelijke informatie behouden blijft, waardoor de nauwkeurigheid en data-efficiëntie in machine learning-modellen voor periodieke en aperiodieke systemen aanzienlijk worden verbeterd.
Dit artikel stelt een stochastische multiscale theorie voor, geworteld in de niet-evenwichtsfysica, om de mechanistische oorsprong van schaalwetten in taalmodellen te verklaren, waarbij het trainen wordt gemodelleerd als een schaalafhankelijke vertekende willekeurige wandeling die analytisch afgeleide machtswetten oplevert voor verlies versus data en modelgrootte, terwijl het een gespleten tweefasige dynamiek van contextcompressie en frontierabsorptie identificeert.
Dit artikel introduceert de Knowledge-Constrained Reasoner, een nieuwe aanpak die een enkele alignment-fase gebruikt om essentiële redeneervaardigheden te internaliseren in Large Language Models, waardoor het strikte en correcte gebruik van externe kennis voor vraagbeantwoording wordt gewaarborgd en de betrouwbaarheid van traditionele expertsystemen wordt verbonden met de flexibiliteit van niet-parametrisch continu leren.
Deze studie presenteert een uitlegbare, op een Weighted Mixture of Experts gebaseerde beslissingsondersteunende systeem geoptimaliseerd door duale metaheuristieken, dat een hoge nauwkeurigheid bereikt in het voorspellen van de ernst van de mentale gezondheid onder engineering- en medische studenten in lage- en middeninkomenslanden, terwijl het onderscheidende risicofactoren over disciplines heen onthult.