3674 Arbeiten
Die Studie zeigt, dass der Overfitting-Underfitting-Indicator (OUI) bereits zu einem frühen Trainingszeitpunkt von 10 % als wirksames Signal dient, um in PPO-Actor-Critic-Systemen stabile Lernraten von instabilen zu unterscheiden und dadurch ineffiziente Hyperparametersuchen durch eine präzise Früherkennung zu vermeiden.
Die Arbeit stellt „Neural Debuggers" vor, eine neue Klasse von Sprachmodellen, die traditionelle Debugger-Funktionen wie das Setzen von Haltepunkten und das schrittweise Durchlaufen von Code nachahmen, um sowohl die Vorwärts- als auch die Rückwärtsausführung von Python-Programmen zuverlässig zu modellieren und so die Grundlage für fortschrittlichere Agenten-basierte Codiersysteme zu legen.
Die Studie zeigt, dass im Gegensatz zum menschlichen Verhalten das Nachdenken bei großen Sprachmodellen die Ehrlichkeit erhöht, da der Prozess des moralischen Abwägens das Modell durch einen verzerrten Repräsentationsraum führt, in dem ehrliche Antworten stabiler sind als täuschende.
Das Paper stellt BEACON vor, ein System zur Vorhersage von Navigationsaffordanzen in einer vogelperspektivischen Wärmebildkarte, das durch die Kombination von Sprachanweisungen mit RGB-D-Observationen und einem visuell-sprachlichen Modell in der Lage ist, auch verdeckte Zielorte zu erkennen und so die Genauigkeit im Vergleich zu bildbasierten Methoden signifikant zu steigern.
Diese Studie erweitert die Bienen-Gleichung um emotionale Valenz und Erregung als Modulatoren in einem agentenbasierten Modell, um zu zeigen, wie emotionale Dynamiken und nichtlineare Verstärkungseffekte die Geschwindigkeit und den Ausgang kollektiver Entscheidungen in Schwärmen beeinflussen.
Diese Studie untersucht die Nutzung eines von einem Large Language Model (LLM) angetriebenen virtuellen Führers durch 16 blinde und sehbehinderte Personen in sozialen VR-Umgebungen und zeigt, dass die Interaktionsweise je nach Anwesenheit anderer Nutzer zwischen einer instrumentellen Werkzeugnutzung und einer companionschaftlichen Beziehung wechselt, woraus wichtige Designempfehlungen für zukünftige barrierefreie VR-Systeme abgeleitet werden.
Die Studie zeigt, dass in realistischen Szenarien mit korrelierten Merkmalen Interferenz konstruktiv genutzt werden kann, um semantische Cluster und zyklische Strukturen zu bilden, was die traditionelle Sichtweise der Superposition als rein störendes Rauschen erweitert.
In diesem Paper werden zwei auf neuronalen Netzen und Online-Lernen basierende Verfahren zur Erkennung von Strukturbrüchen in großen Zeitreihen vorgestellt, die sich durch lineare Komplexität, Überlegenheit gegenüber bestehenden Methoden und bewiesene Konvergenz auszeichnen.
Dieser Artikel bietet einen Überblick über das automatisierte Reinforcement Learning (AutoRL), das verschiedene Komponenten wie MDP-Modellierung, Algorithmusauswahl und Hyperparameter-Optimierung automatisiert, und fasst dabei aktuelle Forschung, einschließlich LLM-basierter Techniken, sowie zukünftige Herausforderungen und Forschungsrichtungen zusammen.
Diese Arbeit stellt ein erklärbares, unsicherheitsbewusstes Subsequenz-Modell vor, das die Klassifizierung astronomischer Zeitreihen mit vergleichbarer Leistung wie Black-Box-Methoden ermöglicht, indem es Datenunsicherheit direkt als Eingabe verarbeitet und Domain-Experten die Nachvollziehbarkeit der Vorhersagen sowie potenzielle neue Erkenntnisse für die theoretische Astrophysik bietet.
Diese Arbeit bietet einen umfassenden Überblick über die Entwicklung, Schlüsseltechniken und Anwendungen von Large Language Models (LLMs), wobei sie sich insbesondere auf die Bereiche Pre-Training, Anpassung, Nutzung und Bewertung konzentriert und dabei verfügbare Ressourcen sowie zukünftige Herausforderungen diskutiert.
Diese Übersichtsarbeit untersucht die Anwendung nutzungstheoretischer kognitiver Modelle in der Robotik, indem sie die Entwicklung von Verhaltensbasierter Robotik und kognitiven Architekturen hin zu wertebasierten Systemen für Entscheidungsfindung, Lernen und Interaktion in ein- und multi-agentischen Umgebungen analysiert und zukünftige Forschungsrichtungen sowie offene Probleme aufzeigt.
Die Autoren stellen einen effizienten, loop-basierten Algorithmus für das Online-Dispatching und Routing von fahrerlosen Transportsystemen (AGVs) in Kreisgraphen vor, der in Experimenten mit realen und theoretischen Instanzen entweder bessere Ergebnisse oder gleichwertige Lösungen in kürzerer Rechenzeit im Vergleich zu exakten Methoden, Greedy-Heuristiken und Metaheuristiken liefert.
Die Studie stellt Agent-OM vor, ein neuartiges Framework für das Ontologie-Matching, das zwei Siamese-Agenten und LLM-Tools nutzt, um bei komplexen und Few-Shot-Aufgaben signifikante Verbesserungen gegenüber bestehenden Systemen zu erzielen.
Dieser Übersichtsartikel bietet eine maschinelle Lernperspektive auf den Computerized Adaptive Testing (CAT), indem er die Integration von ML-Techniken in Messmodelle, Fragenauswahl, Itembank-Konstruktion und Teststeuerung analysiert, um robuste, faire und effiziente adaptive Testsysteme zu entwickeln.
Die Arbeit stellt FEX vor, ein neuartiges Framework, das attributionsbasierte Erklärungen durch Wahrscheinlichkeitsverteilungen und Policy-Gradient-Optimierung ermöglicht, um die Erklärungszeit um über 97 % und den Speicherverbrauch um 70 % im Vergleich zu herkömmlichen modellunabhängigen Ansätzen zu reduzieren, ohne dabei die Qualität oder allgemeine Anwendbarkeit zu beeinträchtigen.
Diese Arbeit identifiziert und analysiert eine unerwartete „Korruptionsphase" während des Few-Shot-Fine-Tunings von Diffusionsmodellen, die durch eine verengte Lernverteilung verursacht wird, und schlägt vor, Bayesianische Neuronale Netze zur impliziten Verbreiterung dieser Verteilung einzusetzen, um die Bildqualität und Vielfalt zu verbessern, ohne zusätzliche Inferenzkosten zu verursachen.
LAMBDA ist ein neuartiges, quelloffenes und code-freies Multi-Agenten-System, das auf großen Sprachmodellen basiert und durch die Zusammenarbeit eines Programmier- und eines Prüfer-Agenten sowie die Möglichkeit zur menschlichen Eingriffnahme und Integration externer Algorithmen Datenanalysen für Nutzer unterschiedlicher Hintergründe zugänglicher und effizienter macht.
Die Arbeit stellt OTAD vor, ein neuartiges zweistufiges Verteidigungsmodell, das die Vorteile von adversarialem Training und Lipschitz-Netzen durch die Nutzung optimaler Transporttheorie und konvexer Integration vereint, um Deep-Learning-Systeme sowohl präzise als auch lokal Lipschitz-stetig und damit robust gegenüber unbekannten Angriffen zu machen.
Diese Arbeit schlägt einen effizienten Annealed Importance Sampling-Ansatz zur Verbesserung des Variational Learning von Gaussian Process Latent Variable Models vor, der durch eine sequenzielle Transformation der Posterior-Verteilung und eine Reparameterisierung des ELBO robustere Konvergenz und engere Variationsgrenzen als bestehende Methoden erreicht.