3836 papers
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.
Dit paper introduceert DARIO, een O-RAN-compliant framework dat Stochastic Network Calculus gebruikt om RIS-apparaten dynamisch toe te wijzen aan gebruikers en zo de vertraging voor vertraagingsgevoelige 6G-toepassingen aanzienlijk verlaagt.
Dit artikel presenteert een framework dat Graph Neural Networks combineert met structureel geoptimaliseerde Model Predictive Control om real-time, nauwkeurige besturing van hoogdimensionale systemen, zoals zachte robots, mogelijk te maken door gebruik te maken van een lineair schaalend condenseringsalgoritme en GPU-parallellisatie.
Het artikel introduceert 3DMedAgent, een unificerend agent-systeem dat bestaande 2D-multimodale grote taalmodellen in staat stelt om complexe 3D-CT-scans stapsgewijs te analyseren door middel van toolgebruik en gestructureerd geheugen, zonder dat specifieke 3D-finetuning vereist is.
Dit paper introduceert OVerSeeC, een zero-shot modulair framework dat natuurlijke taal en satellietbeelden combineert om open-vocabulary kostenkaarten voor autonome navigatie te genereren door entiteiten te interpreteren, te lokaliseren en te synthetiseren.
Dit onderzoek toont aan dat bij post-kwantum sleuteluitwisseling in draadloze netwerken met lage energieconsumptie de communicatiekosten vaak de rekenkosten overtreffen, wat gecoördineerde protocollaire en onderliggende optimalisatie vereist voor een energie-efficiënte kwantumbestendige beveiliging.
Dit paper introduceert ABD, een benchmark voor het testen van grote taalmodellen op hun vermogen om zeldzame uitzonderingen af te leiden in eindige eerste-orde werelden om satisfiability te herstellen, waarbij evaluaties tonen dat hoewel de validiteit hoog is, er nog steeds significant tekort schiet in parsimonie en generalisatie.
Deze paper introduceert een nieuw onderzoeksgebied genaamd Open-Vocabulary Domain Generalization in Semantic Segmentation (OVDG-SS) voor autonome driving, inclusief een benchmark en een nieuwe methode (S2-Corr) die de robuustheid van segmentatiemodellen verbetert in onbekende omgevingen en voor onbekende objectcategorieën door tekst-beeld correlaties te verfijnen.
Deze paper introduceert INDUCTION, een benchmark voor het synthetiseren van concepten in de eerste-orde logica binnen eindige structuren, die modelprestaties evalueert op basis van exacte modelcontrole en formulegrootte om inzicht te krijgen in generalisatiestrategieën.
Dit paper introduceert SKYLIGHT, een schaalbare 3D-fotonische in-memory tensorcore-architectuur die real-time AI-inferentie en lokale zelflerende updates mogelijk maakt met een energie-efficiëntie die aanzienlijk hoger ligt dan die van de NVIDIA RTX PRO 6000 Blackwell GPU.
UniMatch is een semantisch bewust, grof-naar-fijn framework dat door middel van taalgeleiding en contrastief leren dichte semantische correspondenties tussen sterk niet-isometrische 3D-vormen van willekeurige objectcategorieën tot stand brengt zonder vooraf gedefinieerde deelvoorstellen.