4657 Arbeiten
Diese Arbeit stellt den theoretischen Rahmen „Gradient Flow Drifting" vor, der Drifting-Modelle als Wasserstein-Gradientenflüsse von KDE-approximierten Divergenzen identifiziert und durch eine gemischte Divergenzstrategie sowie eine Erweiterung auf Riemannsche Mannigfaltigkeiten sowohl Modenkollaps als auch -verwischung vermeidet.
Dieser technische Bericht dokumentiert eine JAX-kompatible Implementierung der selbstskalierten Broyden-Familie von Quasi-Newton-Verfahren (einschließlich BFGS, DFP und Broyden mit ihren selbstskalierten Varianten) auf Basis der Optimistix-Bibliothek, um deren Nutzung in der JAX-Community zu erleichtern.
Die Arbeit stellt Geo-ATBench, einen neuen Benchmark für geospatiales Audio-Tagging, und das Framework GeoFusion-AT vor, um nachzuweisen, dass die Integration geospatialer semantischer Kontexte die Mehrklassen-Erkennung von Umgebungsgeräuschen, insbesondere bei akustisch ähnlichen Ereignissen, signifikant verbessert.
Die vorgestellte Arbeit stellt die Conditional Expectation Reward (CER) vor, eine Methode, die ein Large Language Model als impliziten Verifizierer nutzt, um durch weiche, graduierte Belohnungssignale das Reinforcement Learning für allgemeine Denkprozesse ohne externe Verifizierer zu ermöglichen.
Diese Arbeit stellt einen neuartigen, erklärbaren Ansatz vor, der auf aktiven Pfaden in neuronalen Netzen basiert, um Backdoor-Auslöser in Intrusion-Detection-Systemen zu erkennen und zu eliminieren.
Die Arbeit stellt FAME vor, eine neue Methode zur Erzeugung formaler abduktiver Minimalerklärungen für große neuronale Netze, die durch dedizierte Perturbationsdomänen und LiRPA-Bound-Techniken sowohl die Erklärungsgröße als auch die Laufzeit im Vergleich zu bestehenden Ansätzen wie VERIX+ signifikant verbessert.
Die Arbeit stellt ein erklärbares, unüberwachtes STA-GNN-Modell für die Anomalieerkennung in industriellen Steuerungssystemen vor, das räumlich-zeitliche Abhängigkeiten nutzt, um durch Aufmerksamkeitsmechanismen kausale Zusammenhänge zu identifizieren und durch konforme Vorhersage die Zuverlässigkeit bei sich ändernden Umgebungen sicherzustellen.
Diese Studie demonstriert, dass ein datengetriebener Ansatz, der die Singulärwertzerlegung mit dem neuronalen Netzwerk SHRED kombiniert, in der Lage ist, den vollständigen magnetohydrodynamischen Zustand in Fusionsreaktoren aus wenigen Temperatursensoren effizient und robust zu rekonstruieren, was eine kostengünstige Echtzeit-Überwachung ermöglicht.
Die Arbeit stellt „Contract And Conquer" (CAC) vor, eine Methode zur provablen Berechnung von adversariellen Beispielen für Black-Box-Modelle durch Wissensdistillation und Kontraktion des Suchraums, die nachweislich innerhalb einer festen Anzahl von Iterationen erfolgreich ist und auf dem ImageNet-Datensatz den aktuellen Stand der Technik übertrifft.
Das Paper stellt EvoSchema vor, ein umfassendes Benchmark-Tool mit einer neuen Taxonomie von Schema-Änderungen, das die Robustheit von Text-to-SQL-Modellen gegenüber realen Datenbank-Evolutionen bewertet und zeigt, dass Modelle, die auf solchen vielfältigen Schemata trainiert werden, deutlich widerstandsfähiger gegen Leistungsabfall sind.
Die Arbeit stellt Riemannian MeanFlow (RMF) vor, eine Methode, die Flow Matching auf Riemannschen Mannigfaltigkeiten erweitert und durch die Nutzung einer durchschnittlichen Geschwindigkeitsfeld-Darstellung im Tangentialraum eine qualitativ hochwertige One-Step-Generierung ohne numerische ODE-Integration ermöglicht.
Die Arbeit stellt einen effizienten Sample-and-Search-Algorithmus für das lernunterstützte k-Median-Clustering in hohen Dimensionen vor, der durch eine Prognose-basierte Vorverarbeitung die Rechenkomplexität deutlich senkt und die Abhängigkeit von der Dimensionalität beseitigt.
Die Arbeit stellt CacheSolidarity vor, ein System, das in Multi-Tenant-LLM-Umgebungen Seitenkanalangriffe durch Prefix-Caching verhindert, indem es verdächtige Cache-Wiederverwendung erkennt und selektiv isoliert, wodurch die Sicherheit ohne die bei bisherigen Lösungen üblichen Leistungseinbußen gewährleistet wird.
Diese Studie vergleicht Monte-Carlo-Dropout und konforme Vorhersage zur Unsicherheitsquantifizierung in CNNs auf Fashion-MNIST und zeigt, dass GoogLeNet besser kalibriert ist als das genauere H-CNN VGG16, wobei konforme Vorhersage durch statistisch garantierte Vorhersagemengen besonders für hochriskante Entscheidungen wertvoll ist.
Dieser Artikel schlägt eine strukturelle Grammatik für Machine-Learning-Workflows vor, die durch sieben Kernel-Primitiven und eine Laufzeit-gesicherte Trennung von Evaluierung und Bewertung zwei der schädlichsten Formen von Datenlecks bei der Modellbewertung verhindert.
Das Paper stellt CUPID vor, ein modulares Plug-in-Framework, das ohne Retraining des Basismodells sowohl aleatorische als auch epistemische Unsicherheit in vortrainierten neuronalen Netzen gemeinsam schätzt und dabei interpretierbare Einblicke in die Unsicherheitsursachen auf Layerebene bietet.
Dieses Paper stellt DeepRDFC vor, ein auf Autoencodern basierendes Framework für die verteilte Funktionsberechnung, das durch Minimierung des Totalvariationsabstands eine effiziente Kanalsimulation ermöglicht und dabei signifikante Vorteile gegenüber herkömmlichen Datenkompressionsmethoden bietet.
Die vorgestellte Arbeit nutzt Physikalisch Unclonbare Funktionen (PUFs), um die Gewichte von neuronalen Netzwerkmodellen an die eindeutigen Hardware-Eigenschaften zu binden, wodurch eine korrekte Ausführung auf geklonten Geräten verhindert und der Schutz des geistigen Eigentums sichergestellt wird.
Der vorgestellte SP-FL-Rahmenwerk verbessert das drahtlose Federated Learning, indem es durch eine hierarchische Ressourcenallokation die Übertragung von Gradienten-Vorzeichen gegenüber dem Betrag priorisiert, was in ressourcenbeschränkten Szenarien zu einer signifikant höheren Testgenauigkeit führt.
Die Autoren stellen einen vollständig datengesteuerten Rahmen vor, der durch die Berechnung von FTLE-ähnlichen Vorläufern in einem adaptiven Unterraum mittels OTD-Moden und deren Verarbeitung durch ein Transformer-Modell die Vorhersage extremaler Ereignisse in hochdimensionalen chaotischen Systemen wie der Kolmogorov-Strömung über längere Zeiträume ermöglicht.