2315 Arbeiten
Die Arbeit stellt NMIRacle vor, ein zweistufiges generatives KI-Framework, das aus IR- und NMR-Spektren präzise Molekülstrukturen ableitet, indem es fragmentbasierte chemische Modelle mit spektralen Daten verknüpft und dabei bestehende Methoden in Bezug auf Genauigkeit und Robustheit übertrifft.
Die Arbeit stellt ein theoretisches Rahmenwerk vor, das erklärt, wie Sattel-zu-Sattel-Dynamiken beim Gradientenabstieg in verschiedenen neuronalen Netzarchitekturen zu einem systematischen Einfachheitsbias führen, bei dem Lösungen schrittweise komplexer werden, indem sie nacheinander invariante Mannigfaltigkeiten durchlaufen.
Diese Studie stellt ein datenbasiertes relativistisches Unsicherheitsframework (DRU) vor, das speziell für die Verbesserung von schlecht beleuchteten Anime-Hintergrundbildern entwickelt wurde, indem es ein neues Datenset erstellt und Unsicherheitsinformationen nutzt, um die Lernziele dynamisch anzupassen und so die Bildqualität über den aktuellen Stand der Technik hinaus zu verbessern.
Die Studie zeigt, dass Transformer-Modelle in kontrollierten „Bayesian Wind Tunnels" durch eine spezifische geometrische Mechanik, bei der Attention-Module als Routing und Feed-Forward-Netze als Posterior-Updates fungieren, exakte Bayes'sche Inferenz durchführen, was ihre Überlegenheit gegenüber flachen Architekturen erklärt.
Diese Arbeit zeigt, dass die Gradientendynamik des Cross-Entropy-Trainings in Transformer-Aufmerksamkeitsköpfen durch einen gekoppelten Spezialisationsmechanismus, der einem Zwei-Zeitskalen-EM-Verfahren ähnelt, die interne Geometrie so formt, dass Bayessche Inferenzmanifolde entstehen, welche probabilisches Schlussfolgern im Kontext ermöglichen.
Die Studie zeigt, dass moderne Sprachmodelle die geometrische Struktur aufweisen, die für die bayessche Inferenz notwendig ist, und dass eine gezielte Manipulation dieser Struktur die Unsicherheitsrepräsentation stört, ohne jedoch eine proportionale Verschlechterung des bayesschen Verhaltens zu verursachen, was darauf hindeutet, dass diese Geometrie eher ein privilegiertes Lesesystem als ein einzelner rechnerischer Engpass ist.
Die Studie stellt PanSubNet vor, ein interpretierbares Deep-Learning-Framework, das aus routinemäßigen H&E-gefärbten Gewebeschnitten molekulare Subtypen des Pankreaskarzinoms (basal-ähnlich und klassisch) mit hoher Genauigkeit vorhersagt und somit eine kosteneffiziente, schnelle und klinisch anwendbare Alternative zu teuren Genexpressionsanalysen bietet.
Diese Arbeit untersucht das Problem des übermäßigen Suchens in suchaugmentierten Large Language Models, führt mit „Tokens Per Correctness" eine neue Metrik zur Bewertung des Kosten-Nutzen-Verhältnisses ein und stellt den OverSearchQA-Datensatz sowie Lösungsansätze vor, um die Effizienz und Genauigkeit dieser Systeme zu verbessern.
Die Autoren stellen eine neue Methode vor, die auf stochastischen Interpolanten und Langevin-Samplern basiert, um effizient aus unnormalisierten Boltzmann-Verteilungen zu sampeln und dabei sowohl die Geschwindigkeitsfelder der zugehörigen ODEs zu schätzen als auch Konvergenzgarantien für multimodale Verteilungen und Bayes'sche Inferenz aufzuzeigen.
Diese Arbeit analysiert Bayesianische Inverse Probleme mit generativen Priors, indem sie quantitative Fehlerabschätzungen für den Posterior herleitet, die sich aus der Approximationsgüte des Priors im Wasserstein-Abstand ableiten lassen, und diese Ergebnisse durch numerische Experimente sowie ein inverses Problem mit elliptischer PDE validiert.
Das Paper stellt HaKAN vor, ein leichtgewichtiges und interpretierbares Modell für die multivariate Zeitreihenvorhersage, das auf Kolmogorov-Arnold-Netzwerken mit Hahn-Polynomen als lernbaren Aktivierungsfunktionen basiert und in Experimenten neuartige State-of-the-Art-Methoden übertrifft.
Die Arbeit stellt VR-SDA-A vor, einen neuartigen, adaptiven Algorithmus mit Varianzreduktion und einer „Same-Batch"-Krümmungsverifikation, der die stochastische Barriere bei nicht-konvexen, nicht-konkaven Variationsungleichungen überwindet und eine optimale Orakelkomplexität von O(ε⁻³) bei automatischer Schrittweitenanpassung erreicht.
Die Arbeit stellt singuläre Bayes'sche neuronale Netze vor, die durch eine Low-Rank-Parametrisierung der Gewichte die Parameteranzahl drastisch reduzieren, gleichzeitig strukturierte Korrelationen erfassen und in Bezug auf Vorhersagegenauigkeit, Kalibrierung und Out-of-Distribution-Erkennung mit Deep Ensembles konkurrieren.
Diese Arbeit analysiert die durch Classifier-free Guidance verursachten Verzerrungen in hochdimensionalen Diffusionsmodellen als Phasenübergang und schlägt einen theoretisch fundierten Guidance-Verlauf mit einem Fenster negativer Guidance vor, um den Diversitätsverlust zu mindern.
Die Arbeit zeigt, dass Halluzinationen in großen Sprachmodellen eine unvermeidbare Konsequenz der informationstheoretisch optimalen Speichereffizienz bei begrenzter Kapazität sind, da der Zwang zur verlustbehafteten Kompression von Fakten dazu führt, dass auch nicht-zutreffende Aussagen mit hoher Wahrscheinlichkeit bewertet werden.
Die Arbeit stellt GVP-WM vor, eine Planungsmethode, die durch die Projektion von generierten Video-Plänen auf einen dynamisch machbaren latenten Raum mittels eines weltmodellsbasierten Optimierungsansatzes physikalisch konsistente und ausführbare Aktionssequenzen für langfristige Aufgaben erzeugt.
Die Studie widerlegt die Annahme, dass numerische Stabilität die Generierungsqualität in dezentralen Diffusionsmodellen bestimmt, und zeigt stattdessen, dass die Ausrichtung der Routing-Entscheidungen auf Experten mit passenden Trainingsdaten für die Qualität entscheidend ist.
Diese Studie stellt einen banditbasierten Ansatz vor, der mithilfe von Contextual Thompson Sampling personalisierte Übungsfolgen für Lernende generiert, um den Kompetenzzuwachs in digitalen Lernumgebungen zu optimieren und gleichzeitig skalierbare individuelle Förderung sowie gezielte Unterstützungsmaßnahmen für Lehrende zu ermöglichen.
Die Arbeit beweist die Universalität von asymmetrischen rank-one Spiked-Tensor-Modellen, indem sie zeigt, dass die asymptotischen spektralen Eigenschaften und statistischen Grenzen des Maximum-Likelihood-Schätzers auch bei nicht-gaußschen Rauschverteilungen mit endlicher vierter Moment identisch mit dem klassischen gaußschen Fall sind.
Die Arbeit stellt BLITZRANK vor, ein prinzipielles Zero-Shot-Ranking-Framework, das auf Turniergraphen basiert, um durch die Aggregation von -weisen Vergleichen und die Berechnung der transitiven Hülle die Top--Elemente mit signifikant weniger Token-Verbrauch und höherer Effizienz als bestehende Methoden zu identifizieren.