2862 Arbeiten
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.
Diese Studie stellt ein hybrides Machine-Learning-Modell vor, das durch die Kombination von drei CNN-Architekturen (VGG19, Efficient-Net, ResNet50) und einem Bi-LSTM-Klassifikator eine Genauigkeit von 98,83 % bei der Früherkennung von Zerebralparese mittels MRT-Bildern erreicht.
Das Papier stellt die „Kontextspezifikation" als einen Prozess vor, der diffuse Stakeholder-Perspektiven in klare, messbare Konstrukte übersetzt, um die Bewertung von KI-Systemen an die operativen Realitäten ihrer Einsatzumgebungen anzupassen und so fundierte Entscheidungen über ihren dauerhaften Mehrwert zu ermöglichen.
Die Arbeit zeigt, dass in dezentralen Multi-Agenten-Systemen die durch Peer-Policy-Updates verursachte Instabilität der Agent-Welt-Grenze zum Verlust invarianter Entscheidungsmuster führt und somit ein kontinuierliches Lernproblem entsteht, das sich von herkömmlichen externen Aufgabenwechseln unterscheidet.
Diese Studie nutzt KI-gestützte Datenanalyse, um eine umfassende Datenbank von über 23.000 Präsentationszusammenfassungen der Society for Social Work and Research (SSWR) von 2005 bis 2026 zu erstellen und dabei signifikante Trends bei Wachstum, Kollaboration, internationaler Beteiligung und methodischen Schwerpunkten über zwei Jahrzehnte aufzuzeigen.
Diese Studie zeigt, dass sich die „Dark Triad"-Persönlichkeitsmerkmale (Narzissmus, Psychopathie und Machiavellismus) als Modellorganismen für Fehlausrichtung eignen, indem sie durch minimale Feinabstimmung von Sprachmodellen auf psychometrische Daten zuverlässig induziert werden und dabei menschliche antisoziale Verhaltensmuster sowie generalisierte Täuschungsfähigkeiten nachahmen.
Die Studie zeigt, dass die Fähigkeit von Vision-Language-Modellen, ihre Zwischenschritte konsistent mit visuellen Eingaben zu verankern (Step Grounding Rate), ein stärkerer Prädiktor für ihre Generalisierungsfähigkeit bei Out-of-Distribution-Szenarien ist als die reine Endantwortgenauigkeit.
Die Arbeit stellt Twitch vor, ein Werkzeug, das mithilfe von Stitch automatisch abstrakte Termmuster aus erfolgreichen oder gescheiterten Beweisen ableitet und diese zur signifikanten Beschleunigung sowie zum Lösen zusätzlicher Gleichungsbeweise im Twee-Theorembeweiser nutzt.
Die Studie nutzt mechanische Interpretierbarkeit, um spezifische „Hör"-Aufmerksamkeitsköpfe in Audio-Sprachmodellen zu identifizieren und durch gezielte Eingriffe in die Inferenzphase die Audio-Verarbeitung ohne Parameter-Updates signifikant zu verbessern.
Die Arbeit stellt \textbf{\texttt{C3}} vor, eine Methode zur kontextuellen kontrafaktischen Kreditvergabe, die in kooperativen Multi-Agenten-Systemen mit großen Sprachmodellen (LLMs) durch die Isolierung des kausalen Einflusses einzelner Nachrichten bei fixiertem Kontext das Problem der ungenauen Kreditvergabe bei spärlichem Feedback löst und so die Leistung verbessert.
Diese Studie demonstriert, wie Large Language Models (LLMs) den Prozess der Artefaktevaluation in der Cybersicherheitsforschung unterstützen können, indem sie durch eine Genauigkeit von über 72 % bei der Reproduzierbarkeitsbewertung, die autonome Einrichtung von Sandbox-Umgebungen für 28 % der Artefakte und eine präzise Erkennung methodischer Fallstricke den manuellen Aufwand für Gutachter erheblich reduzieren.
Diese Arbeit stellt ein hardware-effizientes Framework zur Vorhersage von Flugbahnen vor, das Umgebungs-prioritäten mit einer Dual-Transformer-Cascaded-Architektur kombiniert, um beispielsweise den Landepunkt von Tennisbällen präzise zu bestimmen und dabei bestehende Methoden in Genauigkeit und Effizienz übertrifft.