4770 Arbeiten
Die Arbeit stellt einen neuartigen, theoretisch fundierten Filter für das Graph-Clustering vor, der durch die Konstruktion homophiler und heterophiler Teilgraphen sowie die Anwendung von Low- und High-Pass-Filtern in der Lage ist, sowohl homophile als auch heterophile reale Graphen effektiv zu verarbeiten und dabei den aktuellen State-of-the-Art-Methoden überlegen ist.
Diese Arbeit stellt einen Deep-Learning-Ansatz vor, der durch die gemeinsame Entdeckung von Koordinaten und Flusskarten eine präzise und recheneffiziente Zeitintegration für Multiskalen-Systeme ermöglicht und dabei sowohl die Fitzhugh-Nagumo-Neuronenmodelle als auch die chaotische Kuramoto-Sivashinsky-Gleichung erfolgreich behandelt.
Diese Arbeit stellt einen fairen Ansatz zur Erkennung mehrerer Zielgruppen in Online-Diskussionen vor, der im Kontext der Toxizitätserkennung sowohl die Vorhersagegenauigkeit verbessert als auch Verzerrungen zwischen verschiedenen Gruppen reduziert.
Dieses Papier stellt eine skalierbare, verteilte Multi-Agenten-Lösung mit Q-Learning vor, die die Latenz bei HD-Karten-Updates in Fahrzeugnetzen im Vergleich zu Single-Agent-Ansätzen signifikant reduziert und dabei die Rechenlast sowie Kompatibilitätsprobleme vermeidet.
Die vorgestellte Arbeit führt Sparse Variational Student-t Processes (SVTP) ein, ein skalierbares Framework, das durch zwei neue Inferenzalgorithmen und eine natürliche Gradientenoptimierung robuste und effiziente Modellierungen für Daten mit Ausreißern und schweren Verteilungsenden ermöglicht und dabei Sparse Gaussian Processes in Genauigkeit und Konvergenzgeschwindigkeit übertrifft.
Dieses Paper stellt HYGENE vor, eine bahnbrechende, auf Diffusionsmodellen basierende Methode, die durch einen schrittweisen lokalen Erweiterungsprozess realistische und vielfältige Hypergraphen generiert und damit erstmals tiefenlernbasierte Ansätze für die Hypergraph-Generierung ermöglicht.
Die Arbeit stellt ein einheitliches Framework vor, das Quantisierung und Sparsifizierung als additives Rauschen modelliert und durch eine prinzipiengeleitete Denoisings-Transformation eine stabile Gradientenbahn schafft, wodurch das Training von neuronalen Netzen mit beliebiger Präzision und Sparsity, einschließlich sub-1-Bit-Architekturen, ermöglicht wird.
Die Arbeit stellt ARLBench vor, einen effizienten und flexiblen Benchmark für das Hyperparameter-Optimieren in Reinforcement Learning, der durch die Auswahl repräsentativer Teilaufgaben kostspielige Vergleiche verschiedener AutoRL-Methoden auch mit begrenzten Rechenressourcen ermöglicht.
Die Arbeit stellt DRUPI vor, eine Methode zur Datensatzkondensation, die durch die Synthese privilegierter Informationen wie Feature- oder Attention-Labels die Leistung von reduzierten Datensätzen erheblich verbessert.
Diese Arbeit stellt ein neues Verfahren vor, das mittels eines bayesschen nichtparametrischen Stoppkriteriums und optimaler Transporttheorie Repräsentationsverzerrungen bei der fairen Datenreparatur überwindet und dabei auch auf Archivdaten anwendbar ist.
Diese Arbeit stellt ein unüberwachtes Lernverfahren vor, das Sequenzdaten durch die Faktorisierung latenter Transformationen in spärlich aktive rotations- und potentialbasierte Vektorfelder analysiert, um damit neuartige entkoppelte Repräsentationen zu erzeugen, die sowohl unabhängige Faktoren als auch Transformationprimitive erfassen und gleichzeitig state-of-the-art-Ergebnisse in Bezug auf Datenwahrscheinlichkeit und äquivariante Fehler erzielen.
Diese Arbeit stellt einen datengesteuerten Ansatz vor, der auf Control Barrier Functions und differenzierbarer Optimierung basiert, um die Verantwortungszuweisung von Agenten in multi-agenten Interaktionen zu lernen und so ein quantitatives Verständnis dafür zu gewinnen, wie stark Akteure ihr Verhalten anpassen, um die Sicherheit anderer zu gewährleisten.
Die Autoren stellen einen neuartigen, maschinellen Lernansatz vor, der Gradientenabstieg auf der Grassmann-Mannigfaltigkeit mit Donaldsons Algorithmus kombiniert, um effiziente Näherungen für Calabi-Yau-Metriken zu berechnen und dabei das Auftreten nichttrivialer lokaler Minima in der Dwork-Familie zu untersuchen.
Diese Arbeit stellt zwei Subsampling-Schätzer, Adaptive Importance Sampling und Stratified Sub-sampling, für die robuste hochdimensionale Regression unter schweren Verteilungen, Kontamination und zeitlicher Abhängigkeit vor, schließt die Lücke zwischen Theorie und Algorithmus durch präzise Konvergenzgarantien und ermöglicht gültige Konfidenzintervalle, wobei empirische Ergebnisse eine signifikante Fehlerreduktion im Vergleich zu herkömmlichen Methoden zeigen.
Die Autoren stellen skalierbare Message-Passing-Neuronale Netze (SMPNNs) vor, die durch den Ersatz des aufwendigen Aufmerksamkeitsmechanismus durch standardmäßige Faltungsoperationen in Pre-Layer-Normalisierung-Blöcken tiefe, leistungsfähige Graph-Neuronale Netze für große Graphen ermöglichen und dabei theoretisch fundierte Lösungen für das Oversmoothing-Problem bieten.
Die Arbeit stellt SPDIM vor, einen parameter-effizienten geometrischen Deep-Learning-Ansatz, der auf der SPD-Mannigfaltigkeit basiert und durch Informationsmaximierung die Generalisierung von EEG-Modellen unter label-shifts und anderen Verteilungsverschiebungen ohne Ziel-Daten-Labels verbessert.
Diese Arbeit stellt einen unüberwachten Prognostik-Rahmen vor, der mittels eines Expectation-Maximization-Algorithmus und gewichteter funktionaler Regression sowohl latente Ausfallmodi identifiziert als auch informative Sensoren auswählt, um die verbleibende Nutzungsdauter in autonomen Tiefraumhabitaten unter Bedingungen ungelabelter Daten und unbekannter Ausfallmechanismen präzise vorherzusagen.
Die Autoren stellen MS-HGNN vor, ein morphologisch-symmetrie-äquivariantes heterogenes Graph-Neurales Netzwerk, das kinematische Strukturen und morphologische Symmetrien in Roboter-Dynamikmodellen integriert, um Generalisierbarkeit und Effizienz zu steigern, was durch theoretische Beweise und Experimente mit echten und simulierten Quadruped-Robotern validiert wurde.
Die Arbeit stellt CuriousBot vor, ein mobiles Explorationsystem, das durch einen 3D-relationalen Objektgraphen interaktives Erkunden komplexer Umgebungen ermöglicht und dabei VLM-basierte Ansätze in Bezug auf Generalisierung und Effektivität übertrifft.
Die Studie widerlegt die Annahme, dass für die Vorhersage von Peptidfunktionen komplexe Modelle zur Erfassung langreichweitiger Wechselwirkungen notwendig sind, und zeigt, dass einfache, lokale molekulare Fingerabdrücke in Kombination mit LightGBM auf 132 Datensätzen State-of-the-Art-Ergebnisse erzielen, die fortschrittliche Graph-Neural-Networks und Transformer-Modelle übertreffen.