4884 Arbeiten
Die Arbeit stellt LTSV vor, eine leichte Methode zur Bewertung von Zeitreihendaten für Zeitreihen-Foundation-Modelle, die durch In-Context-Finetuning und temporale Blockaggregation eine effiziente und genaue Schätzung des Datenbeitrags unter Berücksichtigung zeitlicher Abhängigkeiten ermöglicht.
Diese Arbeit stellt eine Methode zur Klassifizierung des Lagerzustands mittels In-Context-Learning mit Zeitreihen-Grundmodellen vor, die eine feineinstellungsfreie Analyse von Vibrationsdaten unter verschiedenen Betriebsbedingungen ermöglicht und den Weg für AI-gestützte Wartungssysteme als Service ebnet.
Die Arbeit stellt einen provably exakten, periodisch asynchronen On-Policy-Ansatz vor, der durch die Entkopplung von Inferenz und Training sowie eine einheitliche Tri-Modell-Architektur die End-to-End-Trainingsdurchsatzrate von LLMs auf NPU-Plattformen um das Drei- bis Fünffache steigert, ohne die Genauigkeit zu beeinträchtigen.
Diese Studie stellt das Decoder-DeepONet (DDON), ein interpretierbares Operator-Learning-Modell, vor, das die Genauigkeit und Generalisierbarkeit bei der Rekonstruktion elektrischer Feldprofile aus EFISH-Signalen in Entladungen im Vergleich zu herkömmlichen neuronalen Netzen und klassischen Methoden signifikant verbessert und dabei auch mit unvollständigen Eingabedaten robust funktioniert.
Diese Studie stellt ELERAG vor, eine für den Bildungssektor optimierte Retrieval-Augmented-Generation-Architektur, die durch die Integration von Entity Linking und einer hybriden Neuordnung auf Basis von Reciprocal Rank Fusion die faktenbasierte Genauigkeit bei der Beantwortung von Fragen auf Italienisch in domänenspezifischen Kontexten signifikant verbessert.
Die Arbeit stellt SA²GFM vor, ein robustes Framework für Graph-Grundmodelle, das durch strukturaware semantische Augmentation, einen informationsbottleneck-basierten Selbstüberwachungsmechanismus und ein adaptives Experten-Routing die Generalisierungsfähigkeit und Widerstandsfähigkeit gegenüber Domänenrauschen sowie adversariellen Angriffen verbessert.
Die Arbeit stellt ADHint vor, eine adaptive Methode für das Reinforcement Learning, die Schwierigkeitspriors nutzt, um Hint-Raten dynamisch anzupassen und Gradienten zu modulieren, wodurch die Stabilität des Lernens verbessert und eine bessere Balance zwischen Exploration und Imitation erreicht wird.
Die Arbeit stellt Directional Textual Inversion (DTI) vor, eine Methode zur Personalisierung von Text-zu-Bild-Generierung, die durch die Optimierung ausschließlich der Richtungsvektoren von Embeddings auf einer hypersphärischen Mannigfaltigkeit statt ihrer Norm die Texttreue verbessert und eine kohärente Interpolation zwischen gelernten Konzepten ermöglicht.
Die Studie zeigt, dass der neuartige MLD-BFM-Ansatz zur räumlichen Merkmalsextraktion zwar die höchste Genauigkeit bei der Dekodierung von fünf Fingerbewegungen aus HD-sEMG-Signalen erreicht, jedoch keine statistisch signifikante Verbesserung gegenüber herkömmlichen zeitbasierten Merkmalen bietet, was darauf hindeutet, dass die räumliche Auflösung der HD-sEMG-Aufzeichnung für eine präzise Mehrfreiheitsgrad-Regression entscheidender ist als die Verwendung komplexer räumlicher Deskriptoren.
Die Arbeit stellt EMFusion vor, ein bedingtes diffusionsbasiertes Framework zur probabilistischen Vorhersage frequenzselektiver elektromagnetischer Felder in drahtlosen Netzen, das durch die Integration kontextueller Faktoren und einer Imputations-basierten Stichprobenstrategie sowohl präzise multivariate Prognosen als auch verlässliche Unsicherheitsquantifizierung ermöglicht.
Diese Studie stellt das verbesserte WT-RDF+-Framework vor, das durch maschinelles Lernen optimierte Parameter nutzt, um die Amplitudengenauigkeit der Wellenpaket-Transformierten Radialverteilungsfunktion für die Rekonstruktion der atomaren Struktur von amorphen Ge-Se- und Ag-Ge-Se-Materialien signifikant zu steigern und dabei konventionelle ML-Modelle zu übertreffen.
Die Arbeit identifiziert eine systematische Diskrepanz zwischen idealen und tatsächlichen Aktivierungs-Updates, leitet daraus Normalisierung aus ersten Prinzipien ab und stellt eine neue, skaleninvariante Alternative namens „PatchNorm" vor, die konventionelle Normalisierer in mehreren Tests übertrifft.
Diese Arbeit beweist erstmals, dass die Integration von lokalen Aktualisierungen in den verteilten Optimierungsalgorithmus DIGing die Konvergenz beschleunigen kann, wobei sich zeigt, dass bereits zwei lokale Updates ausreichen, um die maximale Verbesserung zu erzielen.
Die vorgestellte Arbeit führt das Bayesian Generative Modeling (BGM) ein, ein einheitliches Framework, das mithilfe eines stochastischen iterativen Bayesianischen Update-Algorithmus ein generatives Modell lernt, um beliebige bedingte Inferenzen mit prinzipieller Unsicherheitsquantifizierung durchzuführen, ohne dass ein erneutes Training für unterschiedliche Konditionierungsstrukturen erforderlich ist.
Diese Arbeit stellt ein System vor, das mithilfe von LLM-gestützten Web-Recherche-Agenten automatisch eine große Anzahl diverser und schwieriger Prognosefragen generiert und löst, um damit KI-Modelle zu evaluieren und deren Vorhersagefähigkeiten durch Strategien wie die Fragezerlegung nachweislich zu verbessern.
Die Arbeit stellt „Infusion" vor, ein Framework, das mithilfe von Einflussfunktionen subtile, gezielte Änderungen an Trainingsdaten vornimmt, um das Verhalten von KI-Modellen in Bild- und Sprachdomänen effizient zu manipulieren.
Diese Arbeit stellt einen robusten Rahmen für die assortmentsbasierte Optimierung vor, der unter Unsicherheit durch Verteilungsverschiebungen im Kundenverhalten die worst-case-Erlöse maximiert und dabei durch die Einführung des Konzepts der „robusten artikelweisen Abdeckung" statistisch effiziente Algorithmen mit optimalen Stichprobenkomplexitätsgrenzen entwickelt.
Diese Studie stellt einen neuartigen Ansatz vor, der eine Bottleneck-Transformer-Architektur mit Faltungsblöcken und Multi-Head-Self-Attention nutzt, um die Kurzzeit-Objektiv-Verständlichkeitsmessung (STOI) ohne Referenzsignal genauer vorherzusagen als bisherige State-of-the-Art-Modelle.
Das Paper stellt B-DENSE vor, ein neuartiges Framework, das durch die Nutzung multi-brancher Trajektorienausrichtung und dichten Zwischen-supervision die Diskretisierungsfehler bei der Destillation von Diffusionsmodellen reduziert und so die Bildqualität im Vergleich zu bestehenden Methoden verbessert.
Die Arbeit stellt „Missing-by-Design" (MBD) vor, ein einheitliches Framework für multimodale Sentiment-Analyse, das durch strukturierte Repräsentationslernen und einen zertifizierbaren Parameter-Modifikationsprozess die selektive und nachweisbare Löschung spezifischer Datenmodalitäten ermöglicht, ohne die Vorhersagegenauigkeit bei unvollständigen Eingaben zu beeinträchtigen.