63 Arbeiten
Die Arbeit stellt GIT-BO vor, ein hochdimensionales Bayesian-Optimierungs-Framework, das das Tabular-Foundation-Modell TabPFN v2 mit einem aktiven Unterraummechanismus kombiniert, um ohne Online-Neu-Training eine überlegene Leistung und Skalierbarkeit gegenüber bestehenden GP-basierten Methoden zu erzielen.
Die Studie stellt EDINET-Bench vor, einen Open-Source-Benchmark auf Basis japanischer Jahresabschlüsse, der zeigt, dass selbst fortschrittliche Large Language Models bei komplexen Finanzaufgaben wie der Betrugserkennung nur marginal besser abschneiden als einfache logistische Regressionen und somit einen Bedarf an realistischeren, unterstützenden Evaluierungsrahmen aufzeigen.
Die Arbeit stellt AttnBoost vor, ein interpretierbares Framework, das durch die Integration eines Feature-Level-Aufmerksamkeitsmechanismus in den Gradient-Boosting-Prozess die Vorhersagegenauigkeit und Erklärbarkeit von Einzelhandelsnachfrageprognosen verbessert.
Die Arbeit stellt FMint-SDE vor, ein multimodales Basis-Modell auf Transformer-Basis, das durch In-Context-Learning und eine universelle Fehlerkorrektur auf Basis grober numerischer Lösungen eine überlegene Genauigkeit und Effizienz bei der Simulation stochastischer Differentialgleichungen in verschiedenen wissenschaftlichen Domänen ermöglicht.
Diese Arbeit schlägt ein datenschutzfreundliches Offline-CBDC-Zahlungsmodell vor, das Zero-Knowledge-Beweise, sichere Hardwareelemente und eine intermittierende Synchronisation nutzt, um ressourcenbeschränkte IoT-Geräte in der Lage zu machen, sichere und AML/CFT-konforme Transaktionen ohne Internetverbindung durchzuführen.
Die Arbeit stellt FedEMA-Distill vor, eine serverseitige Methode für robustes und kommunikationseffizientes Federated Learning, die durch die Kombination von Exponential Moving Average und Ensemble-Knowledge-Distillation auf Basis von Client-Logits die Genauigkeit unter nicht-IID-Datenbedingungen und Byzantine-Angriffen verbessert, ohne Änderungen an der Client-Software zu erfordern.
Diese Arbeit argumentiert, dass durchbrochene Schwellenwerte der verkörperten Intelligenz die seit der Ford-Ära bestehende Topologie der Fertigung fundamental verändern, indem sie die Standortlogik von Arbeitskräftearbitrage auf maschinenoptimierte Klimabedingungen verlagern und dezentrale, nachfrageorientierte Mikroproduktion ermöglichen.
Diese Studie zeigt, dass ein mit Beschleunigungssensoren ausgestatteter Gebäudeboden als physikalischer Reservoir-Computer fungieren kann, der durch eine leichte Datenverarbeitungskette Fußschritte mit submeter-genauer Präzision lokalisiert, ohne dass eine anpassungsfähige Kalibrierung für verschiedene Personen erforderlich ist.
Die Arbeit stellt VeNRA vor, ein neuro-symbolisches System für die Finanzanalyse, das durch einen deterministischen Universal Fact Ledger, eine mathematisch abgesicherte Verankerung und einen adversarisch trainierten Sentinel zur Echtzeit-Überprüfung von Python-Ausführungen die Zuverlässigkeit von RAG-Architekturen in kritischen Finanzszenarien gewährleistet.
MOOSEnger ist ein spezialisierter KI-Agent, der durch die Kombination von retrieval-augmentierter Generierung und deterministischen, domänenspezifischen Validierungs- und Ausführungstools natürliche Sprache in fehlerfreie MOOSE-Simulationseingaben umwandelt und dabei eine deutlich höhere Erfolgsquote als rein auf LLM basierende Ansätze erzielt.
Dieser Beitrag stellt eine direkte, geometrische Methode zur Set-Membership-Lokalisierung vor, die auf unbekannt aber beschränkten Messfehlern basiert und durch effiziente konvexe Optimierung ein garantiertes, konvexes Äußeres (wie einen Würfel oder eine Ellipse) für die nichtkonvexe Menge aller mit den Entfernungsdaten konsistenten Positionen berechnet.
Die Studie stellt einen neuartigen, parametrisch skalierten Ansatz für Kontinuumsoberflächenflussmodelle vor, der die Genauigkeit von Temperaturvorhersagen in Schmelzpool-Simulationen der Metall-additiven Fertigung signifikant verbessert und dabei die erforderliche Gitterauflösung sowie die Rechenkosten drastisch reduziert.
Diese Arbeit stellt ein neuartiges Framework vor, das einen Large Language Model (LLM) zur automatisierten Generierung interpretierbarer, sentimentbewusster Formel-Alphas nutzt, welche als hochwertige Merkmale in Transformer-Modelle eingespeist werden, um die Vorhersagegenauigkeit von Aktienkursen signifikant zu steigern.
Diese Studie entwickelt eine dynamische Krypto-Portfolio-Strategie, die technische Indikatoren mit einer durch VADER und Google Gemini validierten Sentiment-Analyse kombiniert, um im Mean-Variance-Rahmenwerk eine überlegene risikoadjustierte Rendite zu erzielen, obwohl zusätzliche Risikomanagementmaßnahmen zur Stabilisierung bei Marktstress erforderlich sind.
Diese Studie stellt ein Framework vor, das Proximal Policy Optimization (PPO) nutzt, um die Gewichtung von von einem DeepSeek-Modell generierten Alpha-Signalen dynamisch anzupassen, wodurch im Vergleich zu Baseline-Strategien eine stabilere risikoadjustierte Performance mit höheren Sharpe-Ratios und geringeren Maximaldrawdowns erreicht wird.
Diese Arbeit entwickelt eine exakte harmonische Analyse für nicht-normale gerichtete Graphen mittels einer biorthogonalen Laplace-Transformation, die die durch Nicht-Normalität verursachte geometrische Verzerrung quantifiziert und stabile Filter- sowie Rekonstruktionsgarantien liefert.
Die Arbeit stellt SpecBridge vor, ein neuartiges Framework, das durch die Feinabstimmung eines spektralen Encoders zur Ausrichtung auf einen eingefrorenen molekularen Basis-Modell-Latenzraum die Identifizierung von Kleinstmolekülen aus Tandem-Massenspektrometrie-Daten erheblich verbessert und dabei eine stabile, parameter-effiziente Alternative zu herkömmlichen Architekturen bietet.
Diese Arbeit erweitert den CNF-Rahmen für die Lösung von gekoppelten und nichtlinearen partiellen Differentialgleichungen durch eine lerngestützte Kansa-Kollokationsmethode, um Vorwärts- und Inverse Probleme sowie die Entdeckung von Gleichungen effizient zu lösen und dabei die Grenzen herkömmlicher numerischer Verfahren zu überwinden.
Diese Arbeit stellt eine optimierte Formulierung der Hotspot-Kostenfunktion mit vorgeschalteter Interpolation vor, um die Genauigkeit und Zuverlässigkeit der absoluten Plattenbewegungsrekonstruktionen im optAPM-Modell zu verbessern.
Das Paper stellt MOOSE-Star vor, ein Framework, das durch die Zerlegung des Entdeckungsprozesses in Teilaufgaben, motivationsgesteuerte Hierarchiesuche und begrenzte Komposition die mathematische Intractabilität des direkten Trainings von überwindet und so skalierbares Training für wissenschaftliche Entdeckungen ermöglicht.