4696 Arbeiten
Die Arbeit stellt „Super Neuronen" vor, eine trainingsfreie Methode, die durch die direkte Nutzung skalarer Aktivierungen in den flachen Schichten von Vision-Language-Modellen eine robuste Klassifizierung ermöglicht und dabei eine bis zu 5,10-fache Geschwindigkeitssteigerung durch ein frühes Verlassen des Modells erreicht.
Diese Arbeit stellt ein KI-gestütztes Framework vor, das durch eine kontextbewusste Zwei-Phasen-Aufteilung und eine Korrektur räumlicher Fehler die Zuverlässigkeit der Vorhersage von zellularem Datenverkehr für die 5G/6G-Planung verbessert und dabei das Problem der räumlichen Datenlecks bei herkömmlichen Trainings-Test-Splits löst.
Diese Arbeit stellt ein auf Graph Attention Networks basierendes Modell vor, das mithilfe öffentlicher Bereitstellungsdaten die Spektrumnachfrage in feinen räumlichen Skalen präzise schätzt und damit die effiziente Spektrumverwaltung und -zuteilung unterstützt.
Die Arbeit stellt MCCOP vor, ein Framework, das mithilfe von Diffusionsmodellen im latenten Raum biologisch plausible und minimal invasive Proteinmutationen berechnet, um gewünschte Eigenschaften wie Stabilität oder Fluoreszenz zu erreichen und dabei sowohl die Modellinterpretation als auch das gezielte Protein-Engineering zu unterstützen.
Diese Arbeit stellt eine neue Verteidigungsmethode gegen Adversarial Attacks für Trajektorienvorhersagemodelle im autonomen Fahren vor, die auf Randomized Smoothing basiert und nachweislich die Robustheit verschiedener Modelle erhöht, ohne die Genauigkeit in nicht-adversariellen Szenarien zu beeinträchtigen.
Das Paper stellt ReTabSyn vor, eine auf Reinforcement Learning basierende Methode zur realistischen Synthese tabellarischer Daten, die durch den Fokus auf die bedingte Verteilung und direktes Feedback zur Erhaltung von Merkmalskorrelationen insbesondere bei kleinen, unausgewogenen Datensätzen die Leistungsfähigkeit nachgelagerter Modelle verbessert.
Die Arbeit stellt EvoKernel vor, ein selbstentwickelndes Agenten-Framework, das durch einen wertgesteuerten, speicherbasierten Lernansatz die Herausforderung des „Cold-Starts" beim Synthesieren von NPU-Kernen in datenarmen Domänen überwindet und dabei die Korrektheit von 11 % auf 83 % sowie eine mediane Geschwindigkeitssteigerung von 3,6-fach erzielt.
Die Arbeit stellt vor, ein Verfahren, das ein generalistisches Wertmodell als Prior mit empirischen Daten aus spärlichen Rollouts durch dynamische Budgetzuweisung und statistische Tests adaptiv kombiniert, um eine robuste, varianzarme Vorteilsschätzung für effizientes Reinforcement Learning mit verifizierbaren Belohnungen zu gewährleisten.
Dieses Paper stellt 6ABOS vor, ein Open-Source-Framework auf Basis des 6S-Strahlungstransfermodells, das eine automatisierte atmosphärische Korrektur von EnMAP-Hyperspektraldaten für optisch komplexe Gewässer ermöglicht und durch Validierung an mediterranen Stauseen eine hohe Genauigkeit bei der Bestimmung der Wasserabstrahlungsreflexion nachweist.
Das Paper stellt SNPgen vor, ein zweistufiges, phänotypüberwachtes latentes Diffusionsmodell, das synthetische Genotypdaten erzeugt, die sowohl die genetische Struktur und Privatsphäre der Originaldaten bewahren als auch in Vorhersageaufgaben die Leistung realer Daten erreichen.
Das Paper stellt LAtte vor, ein neuartiges Framework, das Lorentz-Attention-Module mit einem InceptionTime-basierten Encoder kombiniert, um durch geteiltes Pretraining und subjekt-spezifische Anpassungen robuste und generalisierbare EEG-Klassifikation über verschiedene Probanden hinweg zu ermöglichen.
Die Studie stellt einen parameter-effizienten Diffusion-Transformer vor, der durch den Ersatz des U-Net-Rückgrats durch einen Transformer mit 2D-CNN-Encoder und eine DDPO-Feinabstimmung mit Enformer als Belohnungsmodell hochwirksame, zelltypspezifische regulatorische DNA-Sequenzen mit deutlich geringerem Rechenaufwand, besserer Konvergenz und weniger Memorierung erzeugt.
Dieser Beitrag stellt neuartige Kernel-basierte Tests vor, die unter Verwendung der Kernel-Stein-Diskrepanz und der Maximum-Mean-Diskrepanz die Äquivalenz von Verteilungen überprüfen und damit die Grenzen traditioneller Anpassungstests überwinden, indem sie das Fehlen statistisch relevanter Unterschiede mit kontrollierten Fehlerquoten nachweisen.
Diese Arbeit stellt Dynamics-Predictive Sampling (DPS) vor, eine Methode, die durch die Modellierung des Lernfortschritts als dynamisches System und die Nutzung von Online-Bayes-Inferenz informative Prompts vorhersagt, um den rechenintensiven Aufwand für Rollouts beim Reinforcement-Learning-Finetuning von Large Reasoning Models erheblich zu reduzieren und die Trainingsleistung zu steigern.
Dieser Artikel untersucht die Auswirkungen nicht-ergodischer Belohnungsprozesse auf das Reinforcement Learning, stellt fest, dass die Optimierung des Erwartungswerts für die Leistung einzelner Agenten unzureichend ist, und präsentiert Lösungsansätze zur Verbesserung der Langzeitperformance auf einzelnen Trajektorien.
Der Artikel stellt LookaheadKV vor, einen leichten Rahmen zur effizienten Eviction von KV-Caches in großen Sprachmodellen, der durch parametereffiziente Module zukünftige Wichtigkeitsvorhersagen ohne rechenintensive Entwurfsgenerierung ermöglicht und dabei sowohl die Genauigkeit als auch die Geschwindigkeit im Vergleich zu bestehenden Methoden erheblich verbessert.
Diese Arbeit stellt eine neue Methode zur Vorhersage von NCAA-Turnierergebnissen vor, die auf der kombinatorischen Fusionsanalyse (CFA) basiert und mit einer Genauigkeit von 74,60 % die Leistung der zehn besten öffentlichen Ranglistensysteme übertrifft.
Die Arbeit stellt ECoLAD vor, ein evaluationsorientiertes Protokoll, das zeigt, dass bei der Bereitstellung von Anomalieerkennungssystemen in Fahrzeugen unter realen Ressourcenbeschränkungen leichtgewichtige klassische Detektoren oft robuster sind als tiefere neuronale Netze, die trotz hoher Genauigkeit häufig ihre Durchführbarkeit verlieren.
Diese Arbeit stellt die „Historical Consensus Training"-Methode vor, die durch iterative Auswahl und Optimierung von Gaußschen Mischverteilungs-Priors einen stabilen Parameterbereich schafft, der das Posterior-Collapse-Phänomen in Variational Autoencodern unabhängig von Architektur oder Regularisierung vollständig verhindert.
Diese Arbeit stellt eine praktische Methode vor, die Kernel-Dichteschätzer nutzt, um das Risiko der Mitgliedschaftsoffenlegung in tabellarischen synthetischen Daten zu quantifizieren und dabei effizientere und genauere Bewertungen als bisherige Ansätze ohne aufwändige Schattenmodelle ermöglicht.