8314 Arbeiten
Die Arbeit stellt ein effizientes Framework für heterogene dezentrale Diffusionsmodelle vor, das durch die Kombination unterschiedlicher Trainingsziele (DDPM und Flow Matching), eine innovative Umrechnung zur Inferenz und eine optimierte Architektur den Rechenaufwand im Vergleich zu vorherigen Ansätzen um das 16-fache senkt und gleichzeitig die Bildqualität sowie die Vielfalt verbessert.
Die vorgestellte Arbeit schlägt einen Rahmen vor, der vortrainierte generative Modelle feinabstimmt, um realistische Proben direkt innerhalb komplexer, physikalisch oder sicherheitskritisch eingeschränkter Bereiche zu erzeugen und dabei einen neuen Kompromiss zwischen Constraint-Einhaltung und Probenqualität erreicht.
Die Arbeit stellt StableDRL vor, eine für Diffusion-Sprachmodelle optimierte Reformulierung von GRPO, die durch unbedingtes Clipping und Selbstnormalisierung die Instabilität und den Reward-Kollaps bei der Nachtrainierung verhindert.
Die Arbeit stellt DIRECTER vor, eine neue Methode zur Aktivierungssteuerung, die durch dynamische, plausibilitätsgeleitete Anpassung der Steuerungsstärke und eine KV-Cache-Skalierung die Instruktionsbefolgung von Large Language Models verbessert, ohne dabei die Textqualität oder Aufgabenfidelität zu beeinträchtigen.
ButterflyViT überwindet die lineare Speicherskalierung von Mixture-of-Experts-Vision-Transformern für Edge-Geräte, indem es Experten als geometrische Reorientierungen eines gemeinsamen quantisierten Substrats darstellt und so bei 64 Experten eine 354-fache Speicherreduktion bei vernachlässigbarem Genauigkeitsverlust erreicht.
Die Arbeit stellt ProtAlign vor, ein Multi-Objective-Preference-Alignment-Framework, das vortrainierte Protein-Inverse-Folding-Modelle wie ProteinMPNN durch semi-online Direct Preference Optimization so verfeinert, dass sie gleichzeitig strukturelle Integrität und diverse Entwickelbarkeitseigenschaften wie Löslichkeit und Thermostabilität optimieren.
Diese Studie bietet einen umfassenden Überblick über robotische Fundamentmodelle für die industrielle Steuerung, entwickelt einen Bewertungsrahmen mit 149 Kriterien und kommt zu dem Schluss, dass die industrielle Reife derzeit begrenzt ist, da selbst die besten Modelle nur einen Bruchteil der Anforderungen erfüllen und systemische Integration von Sicherheit sowie Echtzeitfähigkeit priorisiert werden muss.
Die Studie stellt XMACNet vor, einen leichten, erklärbaren und multimodal fusionierenden CNN-Ansatz, der auf EffizientNetV2S basiert und RGB-Bilder mit Vegetationsindizes kombiniert, um Chili-Krankheiten mit hoher Genauigkeit zu klassifizieren und für den Einsatz an der Edge zu optimieren.
Die Arbeit stellt ICD3 vor, einen interpretierbaren Ansatz zur Erkennung von Konzeptdrift in unausgewogenen Datenströmen, der durch eine granulare Suche und einzelne Cluster-Klassifikatoren den „Maskierungseffekt" großer Cluster vermeidet und Drifts in kleinen Konzepten präzise lokalisiert.
Diese Studie stellt ein mehrstufiges Erklärbarkeitsframework vor, das die Robustheit und Konsistenz von SHAP-Erklärungen für Diagnose- und Prognosemodelle der Alzheimer-Krankheit auf dem NACC-Datensatz quantitativ validiert und zeigt, dass kognitive und funktionelle Marker als stabile, übertragbare Erklärungen dienen.
Die vorgestellte Arbeit entwickelt ein gradientenbasiertes, verschachteltes Co-Design-Framework, das die aerodynamische Form und die Bewegungsplanung von flugfähigen Robotern mittels eines neuronalen Surrogatmodells gemeinsam optimiert, um die Leistung bei komplexen Aufgaben wie dem Perchen und der Landung deutlich zu verbessern.
Diese Arbeit stellt eine diversitätsbewusste, adaptive Auswahl von Kollokationspunkten für Physics-Informed Neural Networks vor, die das Problem als Sparse-QUBO-Optimierung auf einem kNN-Graphen formuliert, um redundante Punkte zu vermeiden und die Genauigkeit bei reduzierten Trainingskosten zu verbessern.
Diese Studie demonstriert, dass symbolisches maschinelles Lernen im Vergleich zu herkömmlichen Black-Box-Modellen wie Random Forest und Multilayer Perceptron nicht nur eine höhere Vorhersagegenauigkeit bei der Fehlererkennung im Prozess der Ethylenoxidation erzielt, sondern auch durch die Generierung interpretierbarer, regelbasierter Modelle entscheidende Vorteile für die Sicherheit und Entscheidungsunterstützung in der chemischen Industrie bietet.
Die Arbeit stellt den HGT-Scheduler vor, ein auf Deep Reinforcement Learning basierendes Framework, das das Job-Shop-Scheduling-Problem durch die explizite Modellierung als heterogener Graph mittels Heterogeneous Graph Transformer löst und dadurch durch die Berücksichtigung unterschiedlicher Kantentypen eine überlegene Leistung im Vergleich zu homogenen Ansätzen erzielt.
Der Artikel stellt SpatialMAGIC vor, ein hybrides Framework, das Graph-Diffusion und räumliche Aufmerksamkeit kombiniert, um die durch technische Rauschsignale und hohe Sparsität beeinträchtigten Daten der räumlichen Transkriptomik zu vervollständigen und dabei sowohl die Gewebe-Architektur als auch die biologische Interpretierbarkeit zu erhalten.
Das Paper stellt xaitimesynth vor, ein Open-Source-Python-Paket, das durch die Generierung synthetischer Zeitreihen mit bekannter Ground Truth eine standardisierte Infrastruktur zur Evaluierung von Attribution-Methoden für Zeitreihen bereitstellt.
Dieser Beitrag stellt ein physikbasiertes Diffusionsmodell vor, das mittels der Context-UNet-Architektur und atmosphärischer Konditionierung synthetische, physikalisch konsistente Satellitenbilder extremer Wetterereignisse generiert, um das Problem des Datenmangels bei seltenen tropischen Wirbelstürmen zu lösen und maschinelles Lernen für deren Erkennung zu verbessern.
Die Arbeit stellt die Optimistic Policy Regularization (OPR) vor, einen leichten Mechanismus, der durch die Speicherung und gezielte Nachahmung historisch erfolgreicher Trajektorien das vorzeitige Konvergieren von Deep-Reinforcement-Learning-Agenten verhindert und so sowohl die Sample-Effizienz als auch die Endleistung auf Atari-Spielen und im Cyber-Defense-Bereich signifikant verbessert.
Die Arbeit stellt „Best-of-Tails" (BoT) vor, ein adaptives Inferenzzeit-Alignierungs-Framework, das durch die Analyse der Reward-Verteilung mit dem Hill-Schätzer und die Verwendung von Tsallis-Divergenz als regulärisierendem Faktor dynamisch zwischen optimistischen und pessimistischen Strategien wechselt, um das Dilemma zwischen Belohnungshacking und notwendiger Exploration zu lösen.
Die Arbeit stellt AceMAD vor, ein Multi-Agenten-Debatte-Framework, das durch die Nutzung asymmetrischer kognitiver Potenzialenergie den sogenannten Martingale-Fluch überwindet und so selbst bei fehlerhaften Mehrheitsmeinungen eine zuverlässige Konvergenz zur Wahrheit ermöglicht.