4882 Arbeiten
Dieses Paper stellt mit „Sticky-Sequence Track-and-Stop" einen neuartigen Rahmen für reine Exploration bei möglicherweise unendlich vielen korrekten Antworten vor, der die Asymptotische Optimalität bestehender Methoden für endliche Antworträume erweitert und deren Versagen in diesem allgemeineren Setting analysiert.
Das Paper stellt TSRating vor, ein neuartiges Meta-Learning-Framework, das die Qualität von Zeitreihendaten aus unterschiedlichen Domänen bewertet, indem es die Urteilsfähigkeit von Large Language Models nutzt und durch effiziente Meta-Learning-Verfahren in eine skalierbare Bewertungsmethode überführt.
Die Arbeit stellt CORA vor, eine Methode zur Kreditvergabe im kooperativen Multi-Agenten-Reinforcement-Learning, die mithilfe des Kerns der kooperativen Spieltheorie und zufälliger Koalitionsstichproben globale Vorteile effizient auf Agenten verteilt, um koordiniertes Verhalten zu fördern und die Leistung gegenüber bestehenden Baselines zu verbessern.
Die Autoren stellen zwei neue modellfreie Algorithmen für Single-Agent- und Federated-Reinforcement-Learning vor, die erstmals gleichzeitig nahezu optimale Regret, lineare Burn-in-Kosten in Bezug auf Zustands- und Aktionsraum sowie logarithmische Kosten für Politikwechsel oder Kommunikation erreichen.
Die Arbeit stellt ChannelTokenFormer vor, ein Transformer-basiertes Framework, das durch die gleichzeitige Modellierung von Kanalabhängigkeiten, asynchroner Abtastung und fehlenden Werten eine robuste multivariate Zeitreihenvorhersage unter realen Bedingungen ermöglicht.
Die Arbeit stellt WAFFLE vor, einen Algorithmus zur Vorselektion bösartiger Clients im Federated Learning, der mittels Wavelet-Scattering- oder Fourier-Transformationen lokale, komprimierte Repräsentationen nutzt, um Anomalien ohne Zugriff auf Rohdaten zu erkennen und so die Modellleistung zu verbessern.
Die vorgestellte Arbeit führt das Modell „Mixture of Interacting Cascades" (MIC) ein, das mithilfe von markierten mehrdimensionalen Hawkes-Prozessen die komplexe Wechselwirkung zwischen Informationskaskaden und Nutzerverhalten in sozialen Netzwerken gemeinsam modelliert und dabei sowohl eine überlegene Leistung als auch aussagekräftige Visualisierungen ermöglicht.
Die Arbeit stellt ConLID vor, eine Methode des überwachten kontrastiven Lernens, die die domänenunabhängige Sprachidentifikation für ressourcenarme Sprachen verbessert und deren Leistung auf Out-of-Domain-Daten um 3,2 Prozentpunkte steigert, ohne die Ergebnisse für ressourcenstarke Sprachen zu beeinträchtigen.
Diese Arbeit liefert die ersten globalen Konvergenzgarantien für eine Variante des iterativ gewichteten kleinsten Quadrate-Verfahrens (IRLS) mit dynamischer Regularisierung, die unter deterministischen Bedingungen von jeder Initialisierung aus linear zum zugrunde liegenden Unterraum konvergiert und diese Ergebnisse zudem auf die affinen Unterraumschätzung sowie Anwendungen im Training neuronaler Netze erweitert.
Dieser Artikel stellt einen verteilten, adaptiven Multi-Agenten-Algorithmus zur Identifizierung des optimalen Dienstes für das Edge-Computing in Small-Cell-Netzen vor, der unter Verwendung linearer Banditen und kollaborativer Lernmechanismen die Latenz minimiert und dabei eine nahezu optimale Beschleunigung sowie eine theoretisch fundierte Komplexitätsanalyse bietet.
Die Arbeit leitet unter Verwendung diskreter Gronwall-Ungleichungen Konvergenzraten für die letzte Iteration von stochastischem Gradientenabstieg und stochastischem Heavy-Ball-Verfahren bei konvexen und nicht-konvexen Zielfunktionen mit -Hölder-stetigem Gradienten her.
Diese Studie vergleicht DeepONet-Architekturen für die Konsolidierung in der Geotechnik, identifiziert eine physikinspirierte Variante mit Fourier-Features als leistungsfähigste Lösung und demonstriert deren Potenzial zur drastischen Beschleunigung der Unsicherheitsquantifizierung in 3D-Szenarien.
Dieses Paper stellt LangevinFlow vor, ein physikinspiriertes sequenzielles Variational Auto-Encoder-Modell, das unterdämpfte Langevin-Dynamik und lokal gekoppelte Oszillatoren nutzt, um latente neuronale Dynamiken präziser zu modellieren als bestehende Methoden.
Die Arbeit stellt „Latent Policy Steering" (LPS) vor, eine Methode, die durch Vortraining eines Weltmodells mit embodiment-unabhängigem optischem Fluss und anschließendem Feinabstimmen auf wenigen Zielsystem-Demonstrationen die Leistung visuomotorischer Robotik-Policies in datenarmen Szenarien erheblich verbessert.
Diese Arbeit stellt MLES vor, einen neuartigen Ansatz, der multimodale Large Language Models mit evolutionärer Suche kombiniert, um transparente, verifizierbare und leistungsfähige programmatische Steuerungsstrategien zu entdecken, die die Black-Box-Natur herkömmlicher Deep-Reinforcement-Learning-Policies überwinden.
Die Arbeit stellt CTRL vor, eine Meta-Learning-Methode, die durch die Kombination von residualer Transferlernung und adaptiver Clusterbildung die Vorhersagegenauigkeit über viele kleine, heterogene Datenquellen hinweg verbessert und dabei gleichzeitig die spezifischen Unterschiede zwischen den Quellen bewahrt.
Diese Studie stellt einen neuartigen Ansatz vor, bei dem mithilfe von KI-generiertem Gesang und virtuellen Avataren (insbesondere mit dem Tool HeyGem) Lehrpläne in unterhaltsame audiovisuelle Präsentationen umgewandelt werden, um das Engagement der Studierenden zu steigern und die Merkfähigkeit wichtiger Kursinformationen zu verbessern.
Das Paper stellt MuFlex vor, eine skalierbare, Open-Source-Plattform für die koordinierte Flexibilitätsanalyse mehrerer Gebäude, die detaillierte physikalische Modelle (EnergyPlus/Modelica) mit Reinforcement Learning verbindet und durch eine Fallstudie ihre Wirksamkeit bei der Reduzierung des Spitzenlastbedarfs unter Wahrung des Komforts demonstriert.
Diese Arbeit stellt einen dateneffizienten, topologiebewussten Graph-Neural-Network-Ansatz vor, der durch domänenspezifische Merkmalsindizierung und Transistor-Level-Graphenabstraktionen die Leistungsvorhersage aktiver RF-Schaltungen mit einer durchschnittlichen relativen Fehlerquote von 3,45 % und einer deutlich verbesserten Generalisierungsfähigkeit ermöglicht.
Die Studie stellt eine iterative In-Context-Learning-Methode vor, die durch schrittweise Auswahl angepasster Few-Shot-Beispiele und explizite Anweisungen die systematische Generalisierungsfähigkeit von LLMs bei algebraischen Aufgaben mit nicht-standardisierten Rechenregeln verbessert, wobei überraschenderweise einfachere Beispiele oft wirksamer sind als komplexe.