4885 Arbeiten
Diese Studie stellt ein curriculumbasiertes, kontinuierliches Lernframework vor, das durch die schrittweise Zerlegung komplexer Unsicherheiten und die Kombination von modellbasierter Regelung mit Deep Reinforcement Learning robuste Steuerungen für nichtlineare mechanische Systeme ermöglicht und erfolgreich eine Sim-zu-Real-Übertragung für aktive Schwingungskontrolle in Fahrzeugantriebssträngen demonstriert.
Die Arbeit stellt Coupled Discrete Diffusion (CoDD) vor, einen hybriden Rahmen, der die „Faktorisierungsbarriere" in Diffusions-Sprachmodellen durch eine leichte probabilistische Inferenzschicht überwindet, um komplexe gemeinsame Abhängigkeiten effizient zu modellieren und dabei sowohl die Geschwindigkeit als auch die Kohärenz der Generierung erheblich verbessert.
Die Studie stellt SpeedTransformer vor, ein auf Transformer-Architekturen basierendes Modell, das mithilfe von Geschwindigkeitsdaten aus dichten Smartphone-GPS-Trajektorien Transportmittel erkennt und dabei traditionelle Deep-Learning-Modelle in Bezug auf Genauigkeit, Transferfähigkeit und Robustheit in realen Umgebungen übertrifft.
Diese Arbeit untersucht nicht-rechteckige robuste Markov-Entscheidungsprozesse mit Durchschnittsbelohnung, zeigt, dass sublineare Regret-Policies robust-optimal sind und eine Minimax-Darstellung der robusten Werte ohne Rechteckigkeitsannahme ermöglichen, und entwickelt ein transientes Bewertungsframework sowie eine epochenbasierte Policy, die eine konstante transiente Leistung garantiert.
Die Arbeit stellt das DUEL-Framework vor, das durch deterministische Unmasking-Strategien eine exakte Likelihood-Berechnung für Masked Diffusion Models ermöglicht und damit deren wahre Leistungsfähigkeit aufdeckt, die deutlich besser ist als bisher angenommen und sogar autoregressive Modelle übertreffen kann.
Die Arbeit stellt \textsc{Gome} vor, einen MLE-Agenten, der gradientenbasierte Optimierung anstelle von Baumsuche nutzt und durch die Abbildung diagnostischer Schlussfolgerungen auf Gradientenberechnung bei leistungsstarken Modellen einen neuen State-of-the-Art auf MLE-Bench erreicht.
Die Arbeit stellt FinTexTS vor, ein neues groß angelegtes Datenset für Finanzzeitreihen, das durch einen semantikbasierten und mehrstufigen Paarungsansatz mit LLMs erstellt wurde, um komplexe Marktinterdependenzen besser zu erfassen und die Vorhersagegenauigkeit von Aktienkursen zu verbessern.
Die Studie stellt zwei rein softwarebasierte Techniken, Overflow-Aware Scaling (OAS) und Macro Block Scaling (MBS), vor, die die Genauigkeit des MXFP4-Formats für Large Language Models signifikant verbessern und die Leistungslücke zu NVFP4 von durchschnittlich 10 % auf unter 1 % verringern, ohne Hardwareänderungen vorzunehmen.
Diese Arbeit stellt das OWO-FMTL-Framework vor, ein Online-in-Online-Verfahren für faire Multi-Task-Lernprozesse in KI-gestützten Funkzugangsnetzen, das durch adaptive Priorisierungen und einen primaldualen Mechanismus langfristige Gleichheit bei geringem Rechenaufwand gewährleistet.
Die Arbeit stellt KernelCraft vor, den ersten Benchmark, der nachweist, dass agentic LLM-Systeme durch einen feedbackgesteuerten Workflow effizient und korrekt optimierte Low-Level-Kernel für neuartige Hardware-Architekturen mit bisher unbekannten Instruktionssätzen generieren können.
Die Arbeit stellt ALADIN vor, ein Framework zur genauigkeits- und latenzbewussten Analyse des Designraums für gemischt-präzise quantisierte neuronale Netze auf eingebetteten KI-Beschleunigern, das die Bewertung von Trade-offs zwischen Genauigkeit, Latenz und Ressourcenverbrauch ohne physische Bereitstellung auf der Zielplattform ermöglicht.
Diese Arbeit bietet eine umfassende Analyse und einen empirischen Vergleich von Edge- und In-Sensor-AI-Prozessoren, wobei Benchmarks auf GAP9, STM32N6 und Sony IMX500 die überlegene Energieeffizienz und den Reifegrad von In-Sensor-Verarbeitung im Vergleich zu herkömmlichen Mikrocontroller- und Beschleuniger-Architekturen unterstreichen.
Dieser Artikel stellt eine datenratenbewusste CNN-Beschleunigerarchitektur für FPGAs vor, die durch Multi-Pixel-Verarbeitung und eine optimierte Designraumexploration die Hardwareauslastung verbessert und den Einsatz komplexer CNNs auf einem einzigen FPGA bei verschiedenen Datenraten ermöglicht.
Die Studie zeigt, dass die synergetische Integration von überwachtem kontrastivem Lernen, Hopfield-Netzen und hierarchischen gated recurrenten Netzwerken in Spiking Neural Networks zu einer ausgewogenen Verbesserung von Genauigkeit, Energieeffizienz und neuronalen Clusterstrukturen auf dem N-MNIST-Datensatz führt.
Die Arbeit stellt Hebbian-Oscillatory Co-Learning (HOC-L) vor, ein einheitliches Zwei-Zeitskalen-Framework, das hyperbolische spärliche Geometrie mit oszillatorischer Phasensynchronisation koppelt, um durch synchrone Gate-Mechanismen strukturelle Plastizität zu steuern und dabei theoretische Konvergenz sowie lineare Komplexität nachzuweisen.
Die Arbeit stellt Auralink SDC vor, ein Edge-Architekturkonzept mit spezialisierten KI-Agenten, das durch Techniken wie confidence-kalibrierte autonome Fehlerbehebung und adaptive Retrieval-Augmented Reasoning die Zuverlässigkeit und Reaktionsgeschwindigkeit von EV-Ladeinfrastruktur signifikant verbessert und dabei 78 % autonome Störungsbehebung bei sub-50ms-Latenz erreicht.
Diese Arbeit stellt einen Sensitivitäts-basierten Kompressionsrahmen für Reservoir Computing vor, der durch systematische Kombination von Pruning und Quantisierung die Hardware-Effizienz auf FPGAs erheblich steigert, ohne die Modellgenauigkeit zu beeinträchtigen.
Die Arbeit stellt die AetherFloat-Familie vor, eine hardwareoptimierte Quad-Radix-Gleitkomma-Architektur für KI-Beschleuniger, die durch den Verzicht auf Block-Skalierung und die Einführung expliziter Mantissen signifikante Verbesserungen bei Chipfläche, Energieverbrauch und Latenz ermöglicht, wobei AF8 speziell als Block-Scale-Free-Format für Inferenz mit Quantisierungsbewusstsein entwickelt wurde.
Diese Arbeit stellt einen physik-informierten neuronalen Netzwerk-Ansatz (PINN) vor, der robuste und genaue Schätzungen biophysikalischer Parameter und rekonstruierte Zustandsvariablen aus teilweise verrauschten Beobachtungen in multiskaligen neuronalen Systemen ermöglicht und dabei die Grenzen traditioneller numerischer Methoden überwindet.
Die Arbeit führt das theoretisch fundierte, permutationsäquivariante VI 2D SSM ein, das durch den Verzicht auf künstliche Variablenreihenfolgen und die Reduzierung der Abhängigkeitstiefe auf konstante Komplexität einen neuen State-of-the-Art bei der Modellierung multivariater Zeitreihen erreicht.