Door auteurs beoordeelde papers

Machine Learning for Predicting the Proton Structure Function $F_2^P$ in QCD

Dit artikel presenteert een vergelijkende studie die aantoont dat Multilayer Perceptron- en Gaussian Process Regression-modellen, getraind op BCDMS-experimentele data, de protonstructuurfunctie $F_2^p$ effectief voorspellen door complexe nietlineaire QCD-dynamica te vangen zonder de DGLAP-evolentievergelijkingen op te lossen.

Non-equilibrium thermodynamics of collapse models in the strongly non-Gaussian regime

Dit artikel vestigt rigoureus de thermodynamische consistentie van het dissipatieve Diósi-Penrose-collapsmodel in het sterk niet-Gaussische regime door een nieuwe exacte pseudo-spectrale simulatiebenadering te hanteren om aan te tonen dat het systeem zich instelt op een niet-evenwichtige stationaire toestand met een asymptotische niet-Gaussianiteit die schaalt als de kubus van de dissipatieparameter, waardoor het onfysische opwarmingsprobleem wordt opgelost terwijl de noodzaak van exacte numerieke methoden voor het vastleggen van kritieke distributietails wordt bevestigd.

Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction

Het artikel introduceert CausalLongPFN, een bevroren prior-fitted netwerk dat vooraf is getraind op synthetische temporele causale modellen en die contrafectuele longitudinale uitkomsten voorspelt zonder domeinspecifieke training, waarbij het competitieve prestaties demonstreert op benchmarks zoals kanker, HIV en MIMIC-III, terwijl het een kosteneffectief alternatief biedt voor traditionele cohortspecifieke modellering.

Emergent Language as an Approach to Conscious AI

Dit artikel stelt een generatieve methodologie voor met behulp van emergente taal in multi-agent reinforcement learning om kunstmatig bewustzijn te bestuderen door aan te tonen hoe agenten, beginnend zonder menselijke taalprioriteiten, zelfreferentiële communicatie en nieuwe cognitieve structuren kunnen ontwikkelen die uitsluitend worden gedreven door taakeisen en omgevingsaffordances.

The Discovery of an Active Wind from the Milky Way's Black Hole

Met behulp van ongekend diepe en hoog-resolutie ALMA-observaties hebben onderzoekers een grote, kegelvormige opening in het koude moleculaire gas rondom Sagittarius A* ontdekt, wat het eerste directe bewijs levert van een actieve wind van het centrale zwarte gat van de Melkweg.

Would you still call this Dax? Novel Visual References in VLMs and Humans

Analytic patch trees: branch interface inheritance and fractal dimension fields

Dit artikel generaliseert analytische fractale curvetrees naar hogere-dimensionale oppervlaktepatchtrees door vertakkingspunten te vervangen door interface-manifolds die analytische toestanden overdragen, waardoor voorwaarden voor integrabiliteit, conformaliteit en zelfgelijkenis worden vastgesteld terwijl een glad dimensieveld wordt geïntroduceerd door de natuurlijke foliatie van de trees in curve-structuren.

Let It Be Simple: One-Step Action Generation for Vision-Language-Action Models

Dit artikel toont aan dat sterke eenstaps actiegeneratie voor Vision-Language-Action-modellen kan worden bereikt door simpelweg de trainings-tijdverdeling te biasen naar toestanden met een hoge ruis, waardoor de noodzaak voor complexe distillatie of hulpdoelstellingen die gewoonlijk vereist zijn bij beeld-synthese wordt geëlimineerd, terwijl de prestaties van multi-stap diffusiebeleid worden geëvenaard of overtroffen.

Catastrophic Forgetting as Accessibility Collapse: A Three-Level Framework for Knowledge Persistence in Continual Learning

Dit artikel stelt een drielaags kader voor dat onderscheid maakt tussen kennisopslag, representatie en toegankelijkheid om aan te tonen dat catastrofale vergetelheid in continual learning primair een falen van toegankelijkheid is in plaats van volledige representatieve uitwissing, zoals blijkt uit het voortbestaan van taakinformatie in neurale representaties die kan worden hersteld door middel van eenvoudige classifier-retraining.

Learning to Contest: Decentralized Robust Fairness in Cooperative MARL via Cross-Attention

Dit artikel introduceert CAN, een gedecentraliseerd cross-attention beleid voor coöperatief multi-agent reinforcement learning dat robuuste eerlijkheid en hoge efficiëntie bereikt door het aantal vrije rijders dynamisch af te leiden en hen proportioneel te bestrijden, waardoor de kwetsbaarheden van bestaande eerlijke leerders worden overwonnen zonder een centrale toewijzer te vereisen.