4474 Arbeiten
Die Arbeit stellt VR-SDA-A vor, einen neuartigen, adaptiven Algorithmus mit Varianzreduktion und einer „Same-Batch"-Krümmungsverifikation, der die stochastische Barriere bei nicht-konvexen, nicht-konkaven Variationsungleichungen überwindet und eine optimale Orakelkomplexität von O(ε⁻³) bei automatischer Schrittweitenanpassung erreicht.
Die Arbeit stellt singuläre Bayes'sche neuronale Netze vor, die durch eine Low-Rank-Parametrisierung der Gewichte die Parameteranzahl drastisch reduzieren, gleichzeitig strukturierte Korrelationen erfassen und in Bezug auf Vorhersagegenauigkeit, Kalibrierung und Out-of-Distribution-Erkennung mit Deep Ensembles konkurrieren.
Diese Arbeit analysiert die durch Classifier-free Guidance verursachten Verzerrungen in hochdimensionalen Diffusionsmodellen als Phasenübergang und schlägt einen theoretisch fundierten Guidance-Verlauf mit einem Fenster negativer Guidance vor, um den Diversitätsverlust zu mindern.
Die Arbeit zeigt, dass Halluzinationen in großen Sprachmodellen eine unvermeidbare Konsequenz der informationstheoretisch optimalen Speichereffizienz bei begrenzter Kapazität sind, da der Zwang zur verlustbehafteten Kompression von Fakten dazu führt, dass auch nicht-zutreffende Aussagen mit hoher Wahrscheinlichkeit bewertet werden.
Die Arbeit stellt GVP-WM vor, eine Planungsmethode, die durch die Projektion von generierten Video-Plänen auf einen dynamisch machbaren latenten Raum mittels eines weltmodellsbasierten Optimierungsansatzes physikalisch konsistente und ausführbare Aktionssequenzen für langfristige Aufgaben erzeugt.
Die Studie widerlegt die Annahme, dass numerische Stabilität die Generierungsqualität in dezentralen Diffusionsmodellen bestimmt, und zeigt stattdessen, dass die Ausrichtung der Routing-Entscheidungen auf Experten mit passenden Trainingsdaten für die Qualität entscheidend ist.
Diese Studie stellt einen banditbasierten Ansatz vor, der mithilfe von Contextual Thompson Sampling personalisierte Übungsfolgen für Lernende generiert, um den Kompetenzzuwachs in digitalen Lernumgebungen zu optimieren und gleichzeitig skalierbare individuelle Förderung sowie gezielte Unterstützungsmaßnahmen für Lehrende zu ermöglichen.
Die Arbeit beweist die Universalität von asymmetrischen rank-one Spiked-Tensor-Modellen, indem sie zeigt, dass die asymptotischen spektralen Eigenschaften und statistischen Grenzen des Maximum-Likelihood-Schätzers auch bei nicht-gaußschen Rauschverteilungen mit endlicher vierter Moment identisch mit dem klassischen gaußschen Fall sind.
Die Arbeit stellt BLITZRANK vor, ein prinzipielles Zero-Shot-Ranking-Framework, das auf Turniergraphen basiert, um durch die Aggregation von -weisen Vergleichen und die Berechnung der transitiven Hülle die Top--Elemente mit signifikant weniger Token-Verbrauch und höherer Effizienz als bestehende Methoden zu identifizieren.
Die Arbeit stellt Fine-grained Group Policy Optimization (FGO) vor, einen Reinforcement-Learning-Algorithmus, der als effiziente Weiterentwicklung von GRPO übermäßige Chain-of-Thought-Verläufe in großen Sprachmodellen komprimiert und dabei gleichzeitig die Probleme der ineffizienten Datennutzung sowie des Entropie-Kollapses löst, ohne die Leistungsfähigkeit zu beeinträchtigen.
Die Arbeit stellt GOT-JEPA vor, ein Framework zur Vorhersage von Tracking-Modellen mittels Joint-Embedding Predictive Architecture, das in Kombination mit dem OccuSolver-Modul die Generalisierungsfähigkeit und die Verarbeitungsleistung bei Verdeckungen in der generischen Objektverfolgung signifikant verbessert.
Das Paper stellt LexiSafe vor, ein theoretisch fundiertes Offline-Safe-Reinforcement-Learning-Framework, das durch eine lexikographische Hierarchie von Sicherheits- und Belohnungszielen sowie strukturelle Verzerrungen Sicherheitsverletzungen in cyber-physischen Systemen effektiv verhindert und gleichzeitig die Leistung verbessert.
Die Arbeit stellt ZACH-ViT vor, einen kompakten Vision Transformer ohne Positionscodierung und [CLS]-Token, der durch permutationsinvariante Verarbeitung und globale Durchschnittspooling in datenarmen medizinischen Bildgebungsszenarien regimeabhängige Vorteile zeigt, insbesondere bei Datensätzen mit schwachen räumlichen Priors.
Diese Studie stellt neue Benchmarks für harte Zufallsprobleme aus der Sicht der statistischen Physik vor und zeigt durch einen fairen Vergleich, dass klassische Algorithmen Graph Neural Networks bei der Lösung komplexer Constraint Satisfaction Problems weiterhin überlegen sind.
Die Studie zeigt, dass autonome KI-Analysten große Datenmengen kostengünstig analysieren können, wobei sie jedoch aufgrund unterschiedlicher analytischer Entscheidungen zu stark variierenden Ergebnissen führen, was die Notwendigkeit einer neuen Transparenznorm mit Multiversen-Berichterstattung unterstreicht.
Diese Arbeit untersucht aktive Abfragestrategien, um den additiven Fehler bei der Approximation unbekannter subadditiver Mengenfunktionen zu minimieren, indem sie Methoden zur Verringerung der Unsicherheit zwischen minimalen und maximalen Ergänzungen entwickelt und empirisch validiert.
Die Studie zeigt, dass Large Language Models bei bestimmten syntaktischen Aufgaben oft frühzeitig falsche Wahrscheinlichkeitsmuster verfestigen, die sich durch das Training hinweg nicht korrigieren lassen, und führt dies auf eine fehlerhafte Bigramm-Statistik zurück, die zu verfestigten Verzerrungen führt.
Die Arbeit stellt CARE vor, ein evidenzbasiertes, agentisches Framework für die multimodale medizinische Reasoning, das durch die Dekomposition in spezialisierte Module und die Integration von pixelgenauen Bildsegmentierungen die klinische Verantwortlichkeit und Genauigkeit im Vergleich zu bestehenden Black-Box-Modellen signifikant verbessert.
Die Arbeit stellt CFG-Ctrl vor, ein Framework, das Classifier-Free Guidance als Kontrollmechanismus neu interpretiert, und führt mit SMC-CFG eine auf dem Sliding-Mode-Control-Prinzip basierende Methode ein, die durch nichtlineare Rückkopplung die Stabilität und semantische Ausrichtung von Diffusionsmodellen über einen weiten Bereich von Führungsparametern verbessert.
Diese Studie zeigt, dass parameter-effizientes Feintuning (PEFT) für Code-Analyse-Aufgaben nicht nur die Speicherkosten und Rechenleistung im Vergleich zum vollständigen Feintuning drastisch reduziert, sondern auch durch geschicktes Multi-Task-Learning die Leistung von einzelnen spezialisierten Modellen und sogar von großen generischen LLMs übertreffen kann.