Bosch Research auf der Neural Information Processing Systems Konferenz
Bosch Research stellt auf der NeurIPS aktuelle Forschungsergebnisse im Bereich der künstlichen Intelligenz und maschinellen Lernens vor.
10. - 16.12.2023
New Orleans, USA
Die 37. Konferenz der Neural Information Processing Systems (NeurIPS 2023) findet vom 10. bis 16. Dezember 2023 in New Orleans, USA, statt. Im Fokus stehen die Themen maschinelles Lernen und Computational Neuroscience.
Auf der Konferenz werden sowohl eingeladene Vorträge als auch mündliche und Posterpräsentationen von begutachteten Arbeiten gehalten. Parallel zu den Hauptveranstaltungen finden auch Workshops statt.
Bosch Research wird in verschiedenen Vorträgen und auf einem eigenen Messestand neueste Forschungsergebnisse vorstellen:
- „Wasserstein Gradient Flows for Optimizing Gaussian Mixture Policies“
- „Beyond Deep Ensembles: A Large-Scale Evaluation of Bayesian Deep Learning under Distribution Shift“
- „Learning Sample Difficulty from Pre-trained Models for Reliable Prediction“
- „Improved Algorithms for Stochastic Linear Bandits Using Tail Bounds for Martingale Mixtures“
- „Controlling Text-to-Image Diffusion by Orthogonal Finetuning“
- „Pseudo-Likelihood Inference“
- „Zero-Shot Anomaly Detection via Batch Normalization“
- „Leveraging Foundation Models to Improve Lightweight Clients in Federated Learning”
- „Text-driven Prompt Generation for Vision-Language Models in Federated Learning“
- „Towards Anytime Classification in Early-Exit Architectures by Enforcing Conditional Monotonicity“
- Language Models are Weak Learners
- GradOrth: A Simple yet Efficient Out-of-Distribution Detection with Orthogonal Projection of Gradients
- Neural Functional Transformers
- Provably Bounding Neural Network Preimages
- UP-DP: Unsupervised Prompt Learning for Data Pre-Selection with Vision-Language Models
- 3D Copy-Paste: Physically Plausible Object Insertion for Monocular 3D Detection
- One-Step Diffusion Distillation via Deep Equilibrium Models
- Permutation Equivariant Neural Functionals
- Learning with Explanation Constraints
- On the Importance of Exploration for Generalization in Reinforcement Learning
- Deep Equilibrium Based Neural Operators for Steady-State PDEs
- Finding Safe Zones of Markov Decision Processes Policies