3697 papers
DISC is een nieuw graafgebaseerd clusteringalgoritme dat lokale geometrische entropie benut om affiniteitsmetrieken te vervormen en een schone, gefragmenteerde graaf te construeren, die vervolgens wordt gepartitioneerd in hoogzuivere attractor-bekkens via een dieptegeleide stroom en wordt samengevoegd om state-of-the-art prestaties te behalen over diverse datasets.
Dit artikel introduceert **pn_fir_tau**, een parametervrije causale FIR-smoothing van keys gecombineerd met een leerbare per-layer drempelwaarde die de "Score-Shift Pathologie" in rectified attention oplost, waardoor perfecte associatieve recall wordt bereikt, attention sinks worden geëlimineerd en modellen effectief onbeantwoorde queries kunnen dempen terwijl ze een state-of-the-art perplexiteit behouden.
Dit artikel stelt SPAFNET voor, een semantisch prior-gestuurd progressief uitlijning en gated bidirectioneel fusienetwerk ontworpen voor het verwerken van niet-uitgelijnde RGB-T saliente objectdetectie, hoewel de gerapporteerde prestatiecijfers op de UVT20K-dataset voorlopig blijven en een gebrek aan statistische validatie vertonen.
Dit artikel stelt de TME LLM OS voor, een closed-loop systems engineering-architectuur die het menselijke Theoretisch-Mechanistisch-Ervaringsgerichte framework aanpast om epistemische correctie in AI-agenten af te dwingen door middel van de integratie van gestructureerde beoordeling, herkomsttracking en gecontroleerde uitvoering om mismatches binnen een begrensde episode op te lossen vóór veilige release.
STEP-VERIFIER is een process reward model dat leert om individuele agentacties te verifiëren door middel van automatisch gesynthetiseerde paarwijze vergelijkingen, waarbij tijdens de training dichte intermediaire feedback wordt geboden om de prestaties van de agent op complexe taken met gereedschapsgebruik aanzienlijk te verbeteren zonder dat er tijdens de inzet afhankelijkheid van de verifier nodig is.
Deze studie maakt gebruik van een Multi-Scale Cellular Automata (MSCA)-model om conflicten tussen voertuigen en voetgangers op kruispunten met verkeerslichten te simuleren en te analyseren, waarbij wordt aangetoond hoe hiërarchische modellering van ruimtelijke en temporele schalen de strategieën voor signaaltiming kan optimaliseren om tegelijkertijd de efficiëntie van de verkeersdoorstroming en de veiligheid van voetgangers te verbeteren.
Dit artikel introduceert Feature-Weighted Prioritized Experience Replay (FW-PER) om de "TD-vergiftiging" veroorzaakt door aleatorische onzekerheid in Deep Reinforcement Learning te diagnosticeren en te mitigeren, wat uiteindelijk de "Uniform ER Paradox" onthult waarbij, onder extreme ruiscorruptie, eenvoudige uniforme willekeurige bemonstering beter presteert dan complexe algoritmische filtratie.
Deze studie maakt gebruik van KataGo zelfspel-simulaties om de relatie tussen komi en speluitkomsten te modelleren, waarbij wordt onthuld dat eerlijke komi-waarden een logistische verdeling volgen en variëren per bordgrootte en score-regels, waardoor traditionele aannames over halfpunt-incrementen en de wiskundige basis van eerlijkheid in Go worden uitgedaagd.
Deze studie toont aan dat een door machine learning gestuurd proactief Full Capacity Protocol, dat drukte zes uur van tevoren voorspelt, de tijd die spoedeisende hulpafdelingen boven de druktedrempels doorbrengen en de duur van het protocol aanzienlijk verkort in vergelijking met conventionele reactieve activering, hoewel het de algehele wachttijden of de verblijfsduur niet significant verbetert.
Dit artikel toont aan dat bevroren CodeBERT-embeddings systematisch gelijkenisssignalen inverteren voor gedragsmatig uiteenlopende mutantparen, waarbij ze deze onterecht scoren als gelijkmaker dan werkelijk equivalente code, wat onthult dat dergelijke embeddings oppervlakkige nabijheid in plaats van gedragsequivalentie reflecteren en contrastieve fijnafstemming of executiegebaseerde verificatie noodzakelijk maken voor betrouwbare codeanalyse.