4889 Arbeiten
Die Arbeit stellt HCAPO vor, ein neues Framework, das durch die Integration von Hindsight-Credit-Assignment und einem Multi-Scale-Vorteilsmechanismus die Effizienz und Erfolgsrate von LLM-Agenten bei langfristigen Aufgaben im Vergleich zu bestehenden Methoden wie GRPO signifikant verbessert.
Diese Arbeit stellt eine prinzipielle Reduktionsmethode vor, die es ermöglicht, -invariante Funktionen auf Produkträumen durch Invarianten der Isotropiegruppe auf allein darzustellen, wodurch die strukturellen Einschränkungen bestehender äquivarianter neuronaler Felder beseitigt und deren Anwendbarkeit auf beliebige Gruppenaktionen erweitert wird.
Diese Arbeit beweist, dass keine Verifikationsmethode gleichzeitig die Eigenschaften der Korrektheit, Allgemeingültigkeit über den gesamten Eingabebereich und polynomiellen Effizienz erfüllen kann, wodurch ein fundamentales Trilemma für die formale Zertifizierung von KI-Ausrichtung etabliert wird.
Die Arbeit stellt SPREAD vor, ein geometrieerhaltendes Framework für das lebenslange Imitationslernen, das durch subspace-basierte Distillation und eine vertrauensgesteuerte Strategie katastrophales Vergessen verhindert und gleichzeitig die Übertragung von Wissen sowie die Generalisierungsfähigkeit verbessert.
Die Arbeit stellt Midicoth vor, ein verlustfreies Kompressionssystem, das durch eine Mikro-Diffusions-Denoising-Schicht, die auf einer binären Baumstruktur und schrittweisen Kalibrierung basiert, die Wahrscheinlichkeitsschätzungen adaptiver statistischer Modelle für eine effizientere Online-Kompression verbessert.
Diese Arbeit stellt einen effizienten, mehrstufigen Meta-Reinforcement-Learning-Ansatz vor, der durch die Kompression von MDPs, die Faktorisierung von Strategien in Skills und die Einbettung in ein Curriculum-Learning-Framework komplexe sequenzielle Entscheidungsprobleme mit natürlicher Hierarchie strukturiert löst und dabei Transferfähigkeit sowie Recheneffizienz verbessert.
Diese Arbeit stellt das Temporale Markov-Übergangsfeld (TMTF) vor, eine Erweiterung der herkömmlichen Markov-Übergangsfelder, die durch die Aufteilung von Zeitreihen in zeitliche Abschnitte und die Schätzung lokaler Übergangsmatrizen nicht-stationäre Regimewechsel erfasst und somit die zeitliche Dynamik in einer für neuronale Netze geeigneten Bildrepräsentation erhält.
Die Arbeit stellt SoftJAX und SoftTorch als umfassende Open-Source-Bibliotheken vor, die durch nahtlose Ersetzungen für JAX und PyTorch informative Gradienten für bisher schwer differenzierbare Operationen wie Sortieren, Boolean-Logik und diskrete Indizierung bereitstellen.
Die Studie stellt mit GenGNN einen modularen Message-Passing-Rahmen vor, der zeigt, dass expressive Encoder wie Transformer für die diskrete Graphen-Generierung nicht zwingend erforderlich sind, da GNN-basierte Diffusionsmodelle vergleichbare Validität bei deutlich schnellerer Inferenz erreichen.
Das Paper stellt MASEval vor, ein framework-agnostisches Evaluationsframework, das nachweist, dass die Wahl des Agenten-Frameworks ebenso entscheidend für die Leistung ist wie die des zugrunde liegenden Modells, und ermöglicht somit eine systemische Analyse aller Komponenten agenter Systeme.
Diese Arbeit zeigt theoretisch und empirisch, dass hybride Sequenzmodelle, die Transformer- und State-Space-Schichten kombinieren, bestimmte Aufgaben mit deutlich weniger Parametern und Speicherbedarf lösen können als reine Modelle und dabei überlegene Generalisierungsfähigkeiten aufweisen.
Die Arbeit stellt APPLV vor, ein adaptives Lernverfahren, das vortrainierte Vision-Language-Modelle nutzt, um Parameter klassischer Navigationsplanner vorherzusagen und so die Sicherheit traditioneller Ansätze mit der Generalisierungsfähigkeit moderner VLA-Modelle in komplexen Umgebungen zu vereinen.
Die Studie zeigt, dass kanalzentrische Modelle für private 5G-Netze die End-to-End-Durchsatzleistung unzureichend vorhersagen, da sie die dynamische Anpassung von MIMO-Schichten überbewerten, während datengetriebene Ansätze wie Gauß-Prozesse deutlich genauere Ergebnisse liefern.
Die vorgestellte Arbeit stellt FSbuHD vor, ein neues Feature-Selection-Modell für hybride Informationssysteme, das auf der Fuzzy-Rough-Set-Theorie basiert, die Berechnung von Fuzzy-Äquivalenzrelationen durch eine kombinierte Distanzmetrik optimiert und das Problem als Optimierungsaufgabe löst, um in normalen und optimistischen Modi effizientere Ergebnisse als bestehende Methoden zu erzielen.
Diese Arbeit führt eine umfassende Abstraktion von neun endlichen Stichproben-Bound-Familien für die selektive Vorhersage durch und stellt mit „Transfer-Informed Betting" eine neuartige Methode vor, die durch die Warm-Start-Initialisierung des WSR-Vermögensprozesses mit Risikoprofilen aus einer Quelldomain in datenarmen Szenarien engere und formal garantierte Unsicherheitsgrenzen erreicht.
Die Arbeit stellt FedLECC vor, eine leichte, cluster- und verlustgesteuerte Strategie zur Auswahl von Clients im Federated Learning, die unter nicht-IID-Bedingungen die Genauigkeit verbessert und gleichzeitig die Kommunikationskosten sowie die Anzahl der erforderlichen Runden signifikant reduziert.
Die Studie stellt ein umfassendes, mehrdimensionales Bewertungsframework vor, das die Risiken der Memorierung sensibler genomischer Daten in genomischen Sprachmodellen quantifiziert und zeigt, dass eine Kombination verschiedener Angriffsmethoden für eine zuverlässige Privatsphäre-Auditing unerlässlich ist.
Diese Arbeit stellt einen vollständig differentierbaren Ansatz vor, der kontinuierlich relaxierte Bernoulli-Gatter nutzt, um überparametrisierte neuronale Netze ohne Gewichts-Training effizient in extrem spärliche, leistungsfähige Subnetze gemäß der Strong Lottery Ticket-Hypothese zu überführen.
Die Studie stellt MedCBR vor, ein interpretierbares Framework, das klinische Leitlinien in Vision-Language-Modelle integriert, um durch eine Kombination aus multimodaler Ausrichtung und begründeter Schlussfolgerung präzise Diagnosen mit transparenten, expertenähnlichen Erklärungen zu liefern.
Diese Arbeit stellt ein hierarchisches Reinforcement-Learning-Framework vor, das digitale Netzwerkkopien und robuste adversarielle Verluste nutzt, um gemeinsam die Antennenneigung und die Datenquellenstrategie in mobilen Netzen zu optimieren und dabei die Datenerfassungsverzögerung signifikant zu reduzieren.