2315 Arbeiten
Die Studie zeigt, dass bei der Prognose des Einzelhandelsumsatzes unter Bedingungen wie intermittierender Nachfrage und häufigen Produktwechseln lokale baumbasierte Ensemble-Methoden wie XGBoost komplexeren Deep-Learning-Architekturen überlegen sind und somit die Ausrichtung auf die Problemcharakteristika wichtiger ist als die architektonische Raffinesse.
Die Arbeit stellt ReLIFT vor, eine neuartige Trainingsmethode, die Reinforcement Learning mit Online-Supervised Fine-Tuning kombiniert, um die Grenzen von RL zu überwinden und Large Language Models durch das Erlernen neuer Fähigkeiten und Wissensbestände bei komplexen Fragen signifikant zu verbessern.
Diese Arbeit definiert die Klasse der „Prefix-Scannable Models" (PSMs), die durch eine Verallgemeinerung des Parallel-Prefix-Scan-Algorithmus auf nicht-assoziative Operatoren (wie Softmax) eine einheitliche Architektur für effiziente parallele Trainings- und sequenzielle Inferenzprozesse bietet und dabei die Ausdruckskraft von Transformern mit der Recheneffizienz von State-Space-Modellen vereint.
Diese Arbeit bietet einen umfassenden Überblick über Differential Privacy im maschinellen Lernen, indem sie deren theoretische Grundlagen, die Integration in Modelle von symbolischer KI bis zu Large Language Models sowie praktische Evaluierungsmethoden untersucht, um sichere und verantwortungsvolle KI-Systeme zu fördern.
Die Arbeit stellt K-Sil vor, eine silhouette-gesteuerte Variante des -means-Algorithmus, die durch adaptive Instanzgewichtung und weiche Mittelwertbildung robustere Clusterbildung bei Ausreißern und unscharfen Grenzen ermöglicht und auf verschiedenen Datensätzen bessere Ergebnisse als herkömmliche Methoden erzielt.
Die Autoren stellen das Yokai Learning Environment (YLE) als neue Benchmark für die Null-Shot-Koordination vor, die durch das Verfolgen von Überzeugungen über bewegliche Karten und das Schließen unter mehrdeutigen Hinweisen bestehende Methoden herausfordert und zeigt, dass auf dem bisherigen Standardbenchmark Hanabi erzielte Fortschritte nicht unbedingt auf komplexere Szenarien verallgemeinern.
Diese Arbeit stellt den Algorithmus \texttt{SRTS} vor, der auf Thompson Sampling basiert und für die sequenzielle Maximierung der Sharpe-Ratio in stochastischen Bandit-Problemen mit gaußschen Belohnungen logarithmische, ordnungsoptimale Regret-Schranken nachweist.
Diese Arbeit beweist, dass analoge Quantensimulatoren mit globaler Kontrolle universell sind, entwickelt einen direkten optimalen Kontrollrahmen zur Überwindung experimenteller Einschränkungen und demonstriert experimentell die Realisierung komplexer Vielteilchenwechselwirkungen und topologischer Dynamik auf Rydberg-Atom-Arrays.
Dieser Artikel stellt eine schnelle Methode zur Tensor-Train-Vervollständigung vor, die unter Verwendung von Standard-Linearalgebra-Operationen und deterministischen Bedingungen ausschließlich auf Beobachtungen ganzer Fasern entlang eines einzelnen Modus basiert, um fehlende Einträge in Mehrweg-Datentensoren effizient wiederherzustellen.
Diese Arbeit stellt eine übertragbare Lösungsmethode für parametrische optimale Steuerungsprobleme vor, die durch den Einsatz von Funktionencodierern und einem Offline-Online-Deekompositionsansatz eine effiziente Zero-Shot-Anpassung an sich ändernde Zielsetzungen ermöglicht und dabei nahe-optimalen Performance bei minimalem Rechenaufwand für den Echtzeiteinsatz bietet.
Diese Arbeit erklärt theoretisch die Vorteile der Synchronisierung von trainierbarer inverser Temperatur und Bias im Sigmoid-Verlust (wie bei SigLIP), indem sie neue kombinatorische Objekte namens -Konstellationen einführt, um den Erfolg des Modells, die Modality Gap und die erforderliche Dimension für hochwertige Repräsentationen zu analysieren.
Die Studie demonstriert, dass Deep-Learning-Modelle wie U-Net und SCAN die Wolken- und Wolken-Schatten-Erkennung in den hyperspektralen Daten der MethanSAT- und MethaneAIR-Missionen im Vergleich zu herkömmlichen Methoden erheblich verbessern, um präzisere Methanretrievals zu ermöglichen.
Diese Studie analysiert die Abhängigkeiten zwischen Modalitäten in 23 visuellen Frage-Antwort-Benchmarks und zeigt auf, dass viele Tests unbeabsichtigt bildbasierte Abhängigkeiten verstärken, während die echte Interaktion zwischen Bild und Text oft vernachlässigt wird.
Dieses Papier stellt ein pragmatisches, API-basiertes Framework vor, das durch die Entkopplung des ML-Lebenszyklus von der Produktion und die Bereitstellung einer leichten, browserbasierten Schnittstelle die Einführung von maschinellem Lernen in Legacy-Systemen ohne Hardware-Upgrades oder Produktionsausfälle ermöglicht.
Die Arbeit stellt SMoPE vor, ein neuartiges Framework für das kontinuierliche Lernen, das durch die Kombination von Prompt-basierten Methoden mit einer spärlichen Mixture-of-Experts-Architektur die Effizienz von geteilten Prompts mit der Leistungsfähigkeit aufgaben-spezifischer Prompts vereint und dabei Interferenz minimiert sowie Speicher- und Rechenkosten erheblich senkt.
Die Arbeit stellt RADAR vor, ein leichtgewichtiges und interpretierbares Routing-Framework, das auf psychometrischen Prinzipien basiert, um Anfragen basierend auf ihrer Schwierigkeit und den Fähigkeiten von Modell-Budget-Kombinationen intelligent auf verschiedene Reasoning-LLMs zu verteilen und so die Leistung bei gleichzeitiger Kosteneffizienz zu optimieren.
Das Paper stellt Composer vor, ein modulares Suchframework für hybride neuronale Architekturen, das durch skalierbare Exploration neue LLM-Modelle entdeckt, die Llama 3.2 in Bezug auf Genauigkeit und Effizienz übertreffen.
Die Studie stellt MIG-Vis vor, eine Methode, die Mutual Information-gesteuerte Diffusionsmodelle nutzt, um aus neuronalen Daten des makakischen unteren Temporallappens (IT) diskrete latente Gruppen zu identifizieren, die spezifische semantische Merkmale wie Objektstellung und Kategorienübergänge kodieren.
Die Studie zeigt, dass einfache Kommunikationsprotokolle in Multi-Agenten-LLM-Systemen die Kooperation effektiver fördern als curriculumbasierte Ansätze, die durch suboptimale Designentscheidungen und das Erlernen von Pessimismus sogar zu einer Verschlechterung der Kooperationsbereitschaft führen können.
Diese Arbeit stellt die erste systematische Evaluierung selbstüberwachter Lernverfahren für die label-effiziente Schlafstadienklassifizierung mit tragbaren EEG-Geräten vor und zeigt, dass ein domainspezifischer Ansatz die Leistung gegenüber rein überwachten Baselines und allgemeinen EEG-Grundmodellen signifikant verbessert, insbesondere bei knappen annotierten Daten.