16428 Arbeiten
Der Bereich von Cäsium bis Lanthan umfasst eine faszinierende Gruppe chemischer Elemente, die oft als Alkalimetalle und Lanthanoide bezeichnet werden. Diese Substanzen spielen eine entscheidende Rolle in modernen Technologien, von leistungsfähigen Batterien bis hin zu speziellen optischen Anwendungen. Doch die genauen Mechanismen ihrer Wechselwirkungen bleiben für viele schwer verständlich.
Auf Gist.Science machen wir die neuesten Forschungsergebnisse für alle zugänglich. Wir bearbeiten jedes neue Preprint aus dem arXiv in dieser Kategorie und erstellen sowohl verständliche Zusammenfassungen für ein breites Publikum als auch detaillierte technische Analysen für Fachleute. So können Sie die komplexesten Entdeckungen einfach nachvollziehen.
Hier finden Sie die aktuellsten Veröffentlichungen zu diesen Elementen, die wir für Sie aufbereitet haben.
Dieses Paper schlägt ein Deep Operator Network (DeepONet)-Framework vor, das durch Residual Learning und eine Datenaggregationsstrategie erweitert wurde, um das dynamische transiente Verhalten von Synchrongeneratoren für die Integration in Stromnetzsimulatoren präzise zu approximieren und zu simulieren.
Diese Arbeit zeigt auf, dass die Validität des RemOve-And-Retrain (ROAR)-Benchmarks beeinträchtigt ist, da Post-Processing-Attributionskarten Scores künstlich verbessern können, ohne Information hinzuzufügen, was eine systematische Verzerrung zugunsten räumlich unscharfer Masken offenbart, welche die Fähigkeit des Benchmarks untergräbt, Merkmalsattributionsmethoden präzise zu evaluieren.
Diese Arbeit verwendet algebraische Geometrie, um die Funktionsräume von unnormierten Self-Attention-Netzwerken zu analysieren, wobei sie deren Identifizierbarkeit und Dimension etabliert sowie singuläre Punkte charakterisiert und diese Ergebnisse für normierte Architekturen vermutet.
Dieses Paper schlägt eine Generative AI-Powered Inference (GPI)-Methodik vor, die große Sprachmodelle nutzt, um Behandlungen zu generieren und deren interne Repräsentationen zu verwenden, um eine genauere und effizientere Schätzung kausaler Effekte aus unstrukturiertem Text zu ermöglichen, wodurch die Notwendigkeit entfällt, kausale Repräsentationen direkt aus Daten zu lernen, und gängige Herausforderungen wie Confounding und Verletzungen der Überlappung überwunden werden.
Diese Arbeit analysiert die Effektivität des stochastischen Gradientenabstiegs (SGD) in der nicht-konvexen Optimierung, indem sie diesen durch entartete Fokker-Planck-PDEs modelliert und dabei distinkte Drift- und Diffusionsregime identifiziert, um die Gewichtskonzentration, die Fluchtzeiten aus lokalen Minima sowie die asymptotische Konvergenz mittels neuartiger Dualitäts- und Entropietechniken zu quantifizieren.
Prism ist ein speicherzentriertes LLM-Co-Serving-Framework, das eine neuartige Memory-Ballooning-Technik namens kvcached nutzt, um GPU-Speicher dynamisch über mehrere Modelle hinweg zurückzugewinnen und neu zuzuweisen, wodurch räumliches und zeitliches Sharing vereinigt wird, um die Kosteneffizienz und die Einhaltung von SLOs in Produktionsumgebungen zu verbessern.
Dieses Paper schlägt eine Meta-Learning-Trainingsstrategie unter Verwendung kuratierter, kleinskaliger, domänenspezifischer Datensätze vor, um die In-Context-Generalisierung von Transformern zu verbessern, und zeigt auf, dass dieser Ansatz eine mit groß angelegtem Training vergleichbare Leistung erzielt, während er gleichzeitig eine überlegene Datenqualität, Modularität und Robustheit gegenüber Vergessen bietet.
Diese Arbeit zeigt auf, dass große Sprachmodelle natürlich hierarchische Emotionsstrukturen entwickeln, die mit der menschlichen Psychologie übereinstimmen, während sie gleichzeitig systematische Verzerrungen bei der Emotionserkennung offenbaren, die unterrepräsentierte Gruppen unverhältnismäßig stark betreffen.
Dieses Paper führt die Urysohn-Maschine ein, ein metrisch-topologisches Rechenmodell, das Urysohn-Tripel und ein konstruktives Realisierungstheorem nutzt, um Klassifizierungskomplexität durch geometrische Maße wie die Breite der Entscheidungsgrenze zu definieren, während es Garantien für amortisierte Separation, Stabilität und Skalierbarkeit in einem wiederverwendbaren Framework beweist.
Die Arbeit stellt GetNetUPAM vor, ein ökologisch informiertes Framework für verschachtelte Kreuzvalidierung, das mit einem rauschrobustem auf Aufmerksamkeit basierenden CNN (ARPA-N) kombiniert wird, um die Generalisierung und Zuverlässigkeit der marinen bioakustischen Überwachung signifikant zu verbessern, indem es hochrauschanfällige Bedingungen effektiv adressiert und Overfitting auf lokalisierte Umweltartefakte verhindert.