4603 Arbeiten
Die Autoren stellen eine flexible Stichprobenmethode mit stochastischer Beam-Suche für Masked Language Models vor, die durch systematische in silico- und in vitro-Evaluierungen im Bereich der Antikörper-Engineering zeigt, dass die Wahl der Sampling-Methode mindestens genauso entscheidend für den Erfolg ist wie die Wahl des Modells selbst.
Die vorgestellte Arbeit führt datengesteuerte Integrationskerne ein, die das Lernen nichtlokaler Operatoren durch die Trennung der nichtlokalen Informationsaggregation von der lokalen nichtlinearen Vorhersage strukturieren, wodurch die Interpretierbarkeit erhöht und die Anzahl der trainierbaren Parameter bei gleichbleibender Vorhersagegüte für den südasiatischen Monsun drastisch reduziert wird.
Das Paper stellt NasoVoce vor, eine unauffällige, an der Nasenbrücke montierte Schnittstelle, die durch die Fusion von Mikrofon- und Vibrationssensordaten eine robuste und diskrete Spracherkennung für leise und geflüsterte Sprache in lauten Umgebungen ermöglicht.
Das Paper stellt FairFAL vor, ein adaptives Framework für das federierte aktive Lernen, das durch die Analyse von Modellunterschieden und eine prototypengestützte Abfragestrategie die Effektivität unter extremen nicht-IID-Bedingungen und globaler Klassenungleichgewicht signifikant verbessert.
Die Arbeit untersucht das Problem der Identifizierung des besten Arms in nicht-stationären linearen Banditen mit festem Budget, indem sie eine arm-mengenabhängige untere Schranke für die Fehlerwahrscheinlichkeit herleitet und den zugehörigen -Algorithmus vorschlägt, der diese Schranke bis auf Konstanten erreicht.
Das Papier stellt HEAL vor, ein RL-freies Framework zur Wissensdistillation von großen zu kleineren Reasoning-Modellen, das durch die Kombination aus entropiegestützter Fehlerkorrektur, Unsicherheitsfilterung und einem progressiven Lehrplan die Grenzen traditioneller Rejektions-Sampling-Methoden überwindet.
Die Arbeit stellt Causal Concept Graphs (CCG) vor, eine Methode, die sparse Autoencoder mit differentiablem Struktur-Lernen kombiniert, um kausale Abhängigkeiten zwischen Konzepten im latenten Raum von Sprachmodellen zu identifizieren und nachzuweisen, dass graphenbasierte Interventionen die reasoning-Fähigkeiten signifikant effektiver verbessern als bestehende Ansätze.
Diese Arbeit leitet ein skalierbares Gesetz her, das die optimale Aufteilung der Rechenleistung zwischen Experten- und Aufmerksamkeits-Schichten in Mixture-of-Experts-Modellen bestimmt, um die Leistung bei festem Budget zu maximieren und die Chinchilla-Skalierungsgesetze zu erweitern.
Diese Arbeit stellt eine varianzbewusste adaptive Gewichtungsmethode vor, die das Ungleichgewicht im Trainingsprozess von Diffusionsmodellen über verschiedene Rauschpegel hinweg ausgleicht und dadurch auf CIFAR-Datensätzen eine stabilere Optimierung sowie eine verbesserte generative Leistung erzielt.
Die Arbeit stellt Graph-GRPO vor, ein Online-Reinforcement-Learning-Framework für Graph-Flow-Modelle, das durch eine analytische Übergangswahrscheinlichkeit und eine lokale Verfeinerungsstrategie eine effiziente Ausrichtung auf komplexe Ziele ermöglicht und dabei state-of-the-art-Ergebnisse in der molekularen Optimierung erzielt.
Diese Arbeit analysiert die Lern dynamik von zweischichtigen linearen Netzwerken unter label-noise SGD und zeigt, dass das Rauschen einen kritischen Übergang vom „lazy" zum „rich" Regime bewirkt, was die verbesserte Generalisierung erklärt und auf Sharpness-Aware Minimization (SAM) verallgemeinert werden kann.
Die Arbeit stellt den PP-LUCB-Algorithmus vor, der durch die Kombination von verzerrten LLM-Bewertungen mit kostengünstigen, selektiven menschlichen Audits und einer speziellen Schätzmethode die effiziente Identifizierung optimaler Servicekonfigurationen ermöglicht und dabei die Auditkosten um 90 % senkt.
Die Arbeit stellt STemDist vor, die erste Dataset-Distillationsmethode für die spatio-temporale Vorhersage, die durch eine ausgewogene zweidimensionale Kompression von Raum und Zeit sowie eine Cluster-basierte Verfeinerung die Trainingszeit und den Speicherbedarf signifikant reduziert und gleichzeitig die Vorhersagegenauigkeit verbessert.
Diese Arbeit stellt einen domänenadaptiven Rahmen vor, der durch abbaustufen-synchronisierte Stichprobenziehung und einen cross-domänen ausgerichteten großen Autoencoder mit großen Kerneln und Cross-Attention-Mechanismen die Erstellung robuster Gesundheitsindikatoren für die Prognose und das Gesundheitsmanagement unter variierenden Betriebsbedingungen verbessert.
Die Arbeit stellt Weighted improved Greedy Sampling (WiGS) vor, eine Methode, die das statische Multiplikationsprinzip des Improved Greedy Sampling durch ein dynamisches, auf Reinforcement Learning basierendes additives Kriterium ersetzt, um die Balance zwischen Exploration und Investigation anzupassen und so die Genauigkeit sowie die Effizienz bei der Kennzeichnung von Daten in Regressionen zu verbessern.
Die Arbeit stellt den Generalized Gaussian Mixture Process (GGMP) vor, einen skalierbaren, auf Gauß-Prozessen basierenden Ansatz zur effizienten Schätzung multimodaler bedingter Dichten, der die Beschränkungen standardmäßiger unimodaler Gauß-Prozesse überwindet.
Die Arbeit zeigt, dass das Entfernen einer kohärenten Rang-eins-Mittelwertverzerrung die numerische Instabilität bei der FP4-Quantisierung von LLMs effektiv behebt und so eine hardwareeffiziente, stabile Ausbildung ermöglicht, die das Leistungsniveau von BF16 nahezu erreicht.
Die vorgestellte Arbeit führt eine effektive, promptfreie Methode zum selektiven Vergessen spezifischer, nicht textuell beschreibbarer Instanzen (wie Gesichter oder kulturelle Fehldarstellungen) in Diffusionsmodellen ein, indem sie Bildbearbeitung, taktaware Gewichtung und Gradient-Chirurgie kombiniert, um Datenschutz und ethische Compliance zu gewährleisten.
Der Artikel stellt die „Brenier-Isotone Regression" vor, eine Erweiterung der klassischen isotonen Regression auf multivariate Ausgaben durch die Nutzung zyklischer Monotonie und optimaler Transporttheorie, die sich in Anwendungen wie der Wahrscheinlichkeitskalibrierung als überlegen erweist.
Diese Studie stellt einen Multi-Resolution-ConvLSTM-Ensemble-Ansatz vor, der durch die Kombination verschiedener zeitlicher Eingabeauflösungen die Fehlerakkumulation bei der langfristigen Vorhersage von Verformungen von Stützwänden während der Baugrubenaushubarbeiten effektiv reduziert und die Vorhersagegenauigkeit verbessert.