6052 papers
Dit artikel introduceert een cognitief flexibel besturingskader dat online adaptieve latenterepresentaties combineert met een expliciete, veiligheidsgecertificeerde regeling om abrupte veranderingen in systeemdynamica en waarnemingen te hanteren met gegarandeerde stabiliteit en recursieve haalbaarheid.
Dit artikel introduceert Green-VLA, een gefaseerd Vision-Language-Action-framework dat via een uitgebreid curriculum en een schaalbaar dataverwerkingsproces een universeel beleid ontwikkelt voor diverse robotlichamen, waarbij veiligheid en prestaties op lange termijn worden verbeterd door RL-uitlijning en geavanceerde inferentie-mechanismen.
Dit artikel introduceert het SIM-VAIL-auditkader om te tonen dat AI-chatbots bij mentale gezondheidszorg vaak systematisch falen door kwetsbaarheidsversterkende interactielussen (VAILs), waarbij schadelijk gedrag geleidelijk ontstaat en afhankelijk is van de specifieke psychische kwetsbaarheid van de gebruiker.
Dit paper introduceert AgenticLab, een model-onafhankelijk platform en benchmark voor robotagenten die de prestaties van vision-language-modellen in ongestructureerde, echte omgevingen evalueert en zo blootlegt dat offline tests tekortschieten in het vaststellen van fouten bij langdurige, gesloten-lus manipulatie.
Dit artikel toont aan dat het uitbesteden van 5G LDPC-decodering naar GPU's op compacte randplatforms de doorvoersnelheid aanzienlijk verhoogt en de CPU-belasting verlaagt, waardoor de strenge timing-eisen voor ultra-reliabele lage-latentie voertuigcommunicatie (URLLC) beter haalbaar worden.
Deze studie introduceert FSTab, een methode voor het voorspellen van herhalende kwetsbaarheden in door LLM's gegenereerde software op basis van zichtbare functies, en toont aan dat deze aanval ook succesvol is over verschillende domeinen heen, zelfs zonder toegang tot de broncode.
Het artikel introduceert LMMRec, een model-onafhankelijk raamwerk dat grote taalmodellen en chain-of-thought prompting gebruikt om gedetailleerde motivaties uit tekst te halen en deze te aligneren met interactiegegevens via contrastief leren, wat leidt tot significante verbeteringen in multimodale aanbevelingssystemen.
Deze studie toont aan dat er geen significante convergentie bestaat tussen zelfgerapporteerde en gedragsmatige probleemoplossingsvaardigheden, wat suggereert dat game-based assessments en zelfrapportage metingen elkaar aanvullen in plaats van elkaar vervangen bij de selectie van personeel.
Deze paper introduceert een principieel raamwerk voor conditionele diffusiemodellen onder harde constraints, gebaseerd op Doob's h-transformatie en martingaaltheorie, dat twee nieuwe off-policy leeralgoritmes biedt om de driftcorrectie te schatten zonder het vooraf getrainde score-netwerk aan te passen, terwijl niet-asymptotische garanties worden geleverd voor de kwaliteit van de gegenereerde steekproeven.
Deze studie toont aan dat moeders Large Language Models gebruiken als een oordeelloze bron voor emotionele steun en geruststelling om sociale veroordeling te vermijden, hoewel de meerderheid nog steeds de menselijke warmte verkiest boven die van AI.
Het paper introduceert NAAMSE, een evolutionair framework dat de beveiligingsevaluatie van AI-agenten automatiseert door feedback-gedreven promptmutatie en hiërarchische verkenning te combineren om adaptieve bedreigingen effectiever te identificeren dan traditionele statische methoden.
PhysDrape is een hybride neurale-fysische solver die door het integreren van een differentieerbare krachtenoplosser en een projectie voor botsingsbeperkingen, realistische kledingdrapering mogelijk maakt met minimale interpenetratie en een lage vervormingsenergie.
Dit paper introduceert LLM4PQC, een feedback-gedreven framework dat grote taalmodellen gebruikt om PQC-referentiecode automatisch te refactoren naar synthesiseerbare HLS-code en te verifiëren via een hiërarchie van checks, waardoor de handmatige inspanning voor het ontwerpen van complexe post-kwantumcryptografie-hardware wordt verminderd.
FlowAdapt is een parameter-efficiënt raamwerk dat optimale transporttheorie toepast om de prestaties van V2X-collaboratieve perceptie over verschillende domeinen te verbeteren door inter-frame redundantie te filteren en semantische degradatie tijdens de aanpassing te voorkomen.
Dit paper introduceert SToRM, een supervisie-gedreven raamwerk voor tokenreductie in multimodale LLM's dat de rekenefficiëntie van end-to-end autonoom rijden met tot 30x verbetert terwijl de prestaties van het gebruik van alle tokens behouden blijven.
Dit paper introduceert AGPS, een framework dat de sample-efficiëntie van robotreinforcement learning verbetert door menselijke supervisie te vervangen door een multimodaal agent die als semantisch wereldmodel fungeert voor schaalbare, arbeidsvrije training.
Dit paper introduceert M2RL, een studie die vergelijkt of het mengen van multi-domein Reinforcement Learning met Verifieerbare Beloningen (RLVR) of het apart trainen en vervolgens samenvoegen van modellen de beste aanpak is voor het ontwikkelen van krachtige, algemene Large Language Models, waarbij wordt geconcludeerd dat domeinen vaak synergetisch werken en weinig interferentie vertonen.
Het paper introduceert SkillsBench, een benchmark die aantoont dat hoewel zorgvuldig samengestelde vaardigheden de prestaties van LLM-agenten aanzienlijk kunnen verbeteren, zelf gegenereerde vaardigheden doorgaans geen meerwaarde bieden en de effectiviteit sterk varieert per domein.
Dit artikel presenteert een nieuw regelaarskader voor LPV-systemen met tijdsvariërende vertragingen dat dynamische IQCs en parameterafhankelijke Lyapunov-functies combineert om een minder conservatieve, convexe synthese voor stabiele en performante terugkoppeling mogelijk te maken.
Dit artikel introduceert een innovatieve raamwerk dat code-embeddings combineert met theorieën over opiniedynamiek om de evolutie van software en de onderliggende samenwerkingspatronen binnen ontwikkelaarsgemeenschappen kwantitatief te analyseren.