4474 Arbeiten
Die vorgestellte Arbeit präsentiert einen hierarchischen Dual-Strategie-Ansatz zum selektiven Vergessen spezifischen Wissens in medizinischen Large Language Models, der durch geometrisch eingeschränkte Gradientenupdates und token-level Interventionen eine hohe Privatsphäre bei gleichzeitiger Erhaltung grundlegender medizinischer Kompetenzen gewährleistet.
Das Paper stellt CostNav vor, einen physikalisch fundierten Benchmark, der autonome Navigationsagenten anhand realer wirtschaftlicher Kosten und Einnahmen bewertet und dabei zeigt, dass aktuelle Methoden trotz hoher Erfolgswahrscheinlichkeit bei vereinfachten Aufgaben kommerziell nicht tragfähig sind.
Die Arbeit stellt Partially Equivariant Reinforcement Learning vor, ein Framework, das durch die selektive Anwendung von gruppeninvarianten Bellman-Updates in teilweise symmetriebrechenden Umgebungen die Generalisierungsfähigkeit und Sample-Effizienz von Reinforcement-Learning-Algorithmen signifikant verbessert.
Die Arbeit stellt einen Co-Design-Rahmen vor, der die morphologische Gestaltung und die Steuerung dexterer Roboterhände gemeinsam optimiert, um innerhalb von 24 Stunden eine vollständige Pipeline von der Simulation bis zum realen Einsatz zu ermöglichen.
Die Arbeit stellt AlphaQubit 2 vor, einen skalierbaren und Echtzeit-fähigen neuronalen Decoder, der für Oberflächencodes und Farbcodes nahezu optimale logische Fehlerraten erreicht und dabei die Geschwindigkeit und Genauigkeit bestehender Entschlüsselungsverfahren deutlich übertrifft.
Das Paper stellt Trio vor, ein geschlossenes Framework für die molekulare Entdeckung, das fragmentbasierte Sprachmodelle, Reinforcement Learning und Monte-Carlo-Baumsuche integriert, um interpretierbare, synthetisch machbare und hochwirksame Liganden mit verbesserter Bindungsaffinität, Arzneimitteleigenschaften und Diversität zu generieren.
Dieses Paper stellt effiziente Random-Forest-Varianten vor, die das Prinzip der Minimierung des maximalen Risikos (MaxRM) über verschiedene Umgebungen hinweg anwenden, um die Generalisierungsfähigkeit bei Out-of-Distribution-Szenarien zu verbessern, und liefert sowohl konsistente Algorithmen als auch neue theoretische Garantien für verschiedene Risikomaße.
Die Arbeit stellt PvP vor, ein kontrastives Lernframework, das propriozeptive und privilegierte Zustände nutzt, um die Effizienz und Stabilität des Reinforcement-Learning-basierten Ganzkörperkontrolls für humanoide Roboter zu verbessern, und führt gleichzeitig SRL4Humanoid als einheitliches Evaluierungsframework ein.
Die Studie stellt den „Pretrained Battery Transformer" (PBT) als ersten universellen Grundmodell für die Vorhersage der Batterielebensdauer vor, der durch den Einsatz von wissenscodierten Mixture-of-Experts-Schichten auf heterogenen Daten trainiert wird und damit den aktuellen Stand der Technik bei der Lebensdauervorhersage verschiedener Batterietypen deutlich übertrifft.
Die Arbeit stellt NMIRacle vor, ein zweistufiges generatives KI-Framework, das aus IR- und NMR-Spektren präzise Molekülstrukturen ableitet, indem es fragmentbasierte chemische Modelle mit spektralen Daten verknüpft und dabei bestehende Methoden in Bezug auf Genauigkeit und Robustheit übertrifft.
Die Arbeit stellt ein theoretisches Rahmenwerk vor, das erklärt, wie Sattel-zu-Sattel-Dynamiken beim Gradientenabstieg in verschiedenen neuronalen Netzarchitekturen zu einem systematischen Einfachheitsbias führen, bei dem Lösungen schrittweise komplexer werden, indem sie nacheinander invariante Mannigfaltigkeiten durchlaufen.
Diese Studie stellt ein datenbasiertes relativistisches Unsicherheitsframework (DRU) vor, das speziell für die Verbesserung von schlecht beleuchteten Anime-Hintergrundbildern entwickelt wurde, indem es ein neues Datenset erstellt und Unsicherheitsinformationen nutzt, um die Lernziele dynamisch anzupassen und so die Bildqualität über den aktuellen Stand der Technik hinaus zu verbessern.
Die Studie zeigt, dass Transformer-Modelle in kontrollierten „Bayesian Wind Tunnels" durch eine spezifische geometrische Mechanik, bei der Attention-Module als Routing und Feed-Forward-Netze als Posterior-Updates fungieren, exakte Bayes'sche Inferenz durchführen, was ihre Überlegenheit gegenüber flachen Architekturen erklärt.
Diese Arbeit zeigt, dass die Gradientendynamik des Cross-Entropy-Trainings in Transformer-Aufmerksamkeitsköpfen durch einen gekoppelten Spezialisationsmechanismus, der einem Zwei-Zeitskalen-EM-Verfahren ähnelt, die interne Geometrie so formt, dass Bayessche Inferenzmanifolde entstehen, welche probabilisches Schlussfolgern im Kontext ermöglichen.
Die Studie zeigt, dass moderne Sprachmodelle die geometrische Struktur aufweisen, die für die bayessche Inferenz notwendig ist, und dass eine gezielte Manipulation dieser Struktur die Unsicherheitsrepräsentation stört, ohne jedoch eine proportionale Verschlechterung des bayesschen Verhaltens zu verursachen, was darauf hindeutet, dass diese Geometrie eher ein privilegiertes Lesesystem als ein einzelner rechnerischer Engpass ist.
Die Studie stellt PanSubNet vor, ein interpretierbares Deep-Learning-Framework, das aus routinemäßigen H&E-gefärbten Gewebeschnitten molekulare Subtypen des Pankreaskarzinoms (basal-ähnlich und klassisch) mit hoher Genauigkeit vorhersagt und somit eine kosteneffiziente, schnelle und klinisch anwendbare Alternative zu teuren Genexpressionsanalysen bietet.
Diese Arbeit untersucht das Problem des übermäßigen Suchens in suchaugmentierten Large Language Models, führt mit „Tokens Per Correctness" eine neue Metrik zur Bewertung des Kosten-Nutzen-Verhältnisses ein und stellt den OverSearchQA-Datensatz sowie Lösungsansätze vor, um die Effizienz und Genauigkeit dieser Systeme zu verbessern.
Die Autoren stellen eine neue Methode vor, die auf stochastischen Interpolanten und Langevin-Samplern basiert, um effizient aus unnormalisierten Boltzmann-Verteilungen zu sampeln und dabei sowohl die Geschwindigkeitsfelder der zugehörigen ODEs zu schätzen als auch Konvergenzgarantien für multimodale Verteilungen und Bayes'sche Inferenz aufzuzeigen.
Diese Arbeit analysiert Bayesianische Inverse Probleme mit generativen Priors, indem sie quantitative Fehlerabschätzungen für den Posterior herleitet, die sich aus der Approximationsgüte des Priors im Wasserstein-Abstand ableiten lassen, und diese Ergebnisse durch numerische Experimente sowie ein inverses Problem mit elliptischer PDE validiert.
Das Paper stellt HaKAN vor, ein leichtgewichtiges und interpretierbares Modell für die multivariate Zeitreihenvorhersage, das auf Kolmogorov-Arnold-Netzwerken mit Hahn-Polynomen als lernbaren Aktivierungsfunktionen basiert und in Experimenten neuartige State-of-the-Art-Methoden übertrifft.