2315 Arbeiten
Diese Studie stellt ein neuartiges Framework für das kontinuierliche Lernen vor, das durch die Einführung von task-spezifischer Batch-Normalisierung und eine Vorhersage der Task-ID mittels Out-of-Distribution-Detektion das katastrophale Vergessen in der klassenbasierten inkrementellen Lernumgebung effektiv reduziert.
Die Arbeit stellt CLIQUE vor, eine neue modellunabhängige Methode zur Berechnung der lokalen Variablenwichtigkeit, die im Gegensatz zu etablierten Verfahren wie LIME und SHAP lokale Abhängigkeiten und Interaktionen erfasst, insbesondere bei Mehrklassen-Klassifikationsproblemen, und Verzerrungen in Bereichen reduziert, in denen Variablen keinen Einfluss auf die Antwort haben.
Diese Arbeit stellt ein neuartiges, einlagiges Quantenneurales Netzwerk vor, das mittels einer algebraischen SRBB-basierten Methode beliebige unitäre Evolutionen approximiert und dabei die Anzahl der benötigten CNOT-Gatter exponentiell reduziert, was durch Simulationen bis zu 6 Qubits und Tests auf echter Hardware bestätigt wird.
Diese Arbeit stellt ein neues statistisches Modell für Paarvergleiche vor, das auf einer schief-symmetrischen Matrix basiert und die einschränkende Annahme der stochastischen Transitivität aufgibt, um in realen Szenarien mit komplexen Fähigkeiten oder Strategien eine überlegene Vorhersagegenauigkeit und theoretische Optimalität zu erreichen.
Die Arbeit stellt PoLAr-MAE vor, einen selbstüberwachten Lernansatz auf Basis von Masked Point Modeling, der physikalisch aussagekräftige Repräsentationen für LArTPC-Daten lernt und durch feine Abstimmung mit nur 100 gelabelten Ereignissen die Leistung von überwachten Baselines erreicht, die über 100.000 Ereignisse benötigen.
Diese Studie nutzt Graph-Machine-Learning-Techniken, um Flugverspätungen durch Warteschleifen vorherzusagen, wobei ein CatBoost-Modell, das durch Graph-Features angereichert ist, im Vergleich zu Graph Attention Networks (GATs) bessere Ergebnisse auf einer unausgeglichenen Datensatz liefert und die Grundlage für ein webbasiertes Echtzeit-Vorhersagewerkzeug bildet.
Diese Arbeit stellt einen optimistischen Algorithmus für online kontextuelle Banditen mit KL-Regularisierung vor, der durch die Ausnutzung einer günstigen Optimierungslandschaft logarithmische Regret-Schranken erreicht, und erweitert diese Analyse auf das allgemeine Reinforcement-Learning-Setting.
Die vorgestellte Arbeit führt mit DIFU-Ada ein trainingsfreies Adaptionsframework ein, das diffusionsbasierte neuronale Kombinatorische-Optimierungslöser befähigt, durch Inference-Time-Anpassung eine Zero-Shot-Verallgemeinerung auf verschiedene Problemvarianten und -skalen zu erreichen, ohne zusätzliche Trainingsdaten zu benötigen.
Die Arbeit beweist, dass CLIP aufgrund fundamentaler geometrischer Einschränkungen nicht gleichzeitig grundlegende Bildinhalte, Attributbindung, räumliche Beziehungen und Verneinung korrekt darstellen kann, und schlägt darauf aufbauend die Methode „Dense Cosine Similarity Maps" (DCSM) vor, um diese Limitierungen zu überwinden und die Leistung CLIP-ähnlicher Modelle zu verbessern.
Die Studie zeigt, dass aktuelle Deep-Learning-Sprachentstörungssysteme durch psychoakustisch getarnte adversariale Störgeräusche so manipuliert werden können, dass sie unverständlichen Unsinn erzeugen, obwohl die Störungen für Menschen kaum wahrnehmbar sind, was die Notwendigkeit von Gegenmaßnahmen für den Einsatz in sicherheitskritischen Anwendungen unterstreicht.
Dieses Papier stellt einen kontextuellen Multi-Armed-Bandit-Algorithmus vor, der es Windkraftproduzenten ermöglicht, ihre Gebote in Strommärkten strategisch zu optimieren und dabei ihre Marktmacht als Preissetzer zu nutzen, ohne auf komplexe Bilevel-Optimierungsmodelle angewiesen zu sein.
Die Studie stellt einen Algorithmus vor, der die Support-Vector-Classification in nicht-euklidischen Räumen durch die Integration der Datenkovarianz mittels Cholesky-Zerlegung in das Optimierungsproblem verbessert und damit die Suboptimalität herkömmlicher KKT-Bedingungen sowie eine signifikant höhere Klassifikationsleistung im Vergleich zu traditionellen SVM-Ansätzen nachweist.
Diese Arbeit stellt eine neue Few-Shot-Bildfusion vor, die auf dem Konzept unvollständiger Priors und dem Granular-Ball-Pixel-Computing-Algorithmus (GBPC) basiert, um eine adaptive, generalisierbare und dateneffiziente Lernmethode zu ermöglichen, die auch mit wenigen Trainingspaaren überlegene Ergebnisse liefert.
Dieser Artikel stellt einen datengestützten Ansatz vor, der durch die Kombination von Offline-Reinforcement-Learning und Überlebensanalyse optimale Preis- und Lagerstrategien für sequenzielle Entscheidungen unter zensierter und abhängiger Nachfrage ermittelt, wobei finite-Stichproben-Regressionsgrenzen die Wirksamkeit der vorgeschlagenen Algorithmen belegen.
Dieses Papier stellt einen deterministischen, diffusionsbasierten Rahmen vor, der durch die Umkehrung eines durch Weißrauschen angeregten Vorwärtsprozesses eine Rückkopplungssteuerung für nichtlineare Systeme ableitet, um die Wahrscheinlichkeitsdichte auf eine gewünschte Zielverteilung zu lenken.
Die vorgestellte Arbeit stellt SwitchMT vor, eine neuartige Methode, die adaptive Task-Switching-Policies und Deep Spiking Q-Networks nutzt, um die Skalierbarkeit und Leistung von ressourcenbeschränkten autonomen Agenten beim gleichzeitigen Lernen mehrerer Aufgaben zu verbessern und dabei Task-Interferenzen ohne Erhöhung der Netzwerkkomplexität zu überwinden.
Das Paper stellt Panda vor, ein vortrainiertes Modell für chaotische Dynamiken, das auf synthetischen Daten trainiert wurde und durch Null-Shot-Fähigkeiten, die Vorhersage realer experimenteller Zeitreihen sowie die spontane Generalisierung von gewöhnlichen auf partielle Differentialgleichungen ohne Nachtraining überzeugt.
Diese Studie bietet eine datengestützte, halbautomatische Übersicht über die Forschung zu den Grenzen großer Sprachmodelle (LLLMs) von 2022 bis Anfang 2025, die auf einer Analyse von 14.648 relevanten Arbeiten aus 250.000 ACL- und arXiv-Publikationen basiert und zeigt, dass sich der Anteil dieser Forschung stark erhöht hat, wobei Schlussfolgern die am intensivsten untersuchte Einschränkung bleibt.
Diese Arbeit stellt einen konsistenzbasierten abduktiven Rahmen vor, der durch die logische Integration und Fehlerfilterung mehrerer vortrainierter Wahrnehmungsmodelle deren Leistung in neuen Umgebungen mit Verteilungsverschiebungen signifikant verbessert.
Die Studie stellt CARTGen-IR vor, eine effiziente und interpretierbare Methode zur synthetischen Datengenerierung für tabellarische Daten mit unausgewogenen Regressionszielen, die mittels relevanz- und dichtegesteuerten Samplingverfahren ohne willkürliche Schwellenwerte realistische Stichproben erzeugt und damit die Leistung von Regressionsmodellen in extremen Wertebereichen verbessert.