6255 Arbeiten
Die Studie stellt TAM-RL vor, ein Framework, das durch die Kombination von räumlich-zeitlichem Repräsentationslernen mit physikalisch fundierten Constraints die Genauigkeit und Übertragbarkeit von hochskalierten terrestrischen Kohlenstoffflüssen im Vergleich zu bestehenden Methoden signifikant verbessert.
In diesem Paper werden zwei auf neuronalen Netzen und Online-Lernen basierende Verfahren zur Erkennung von Strukturbrüchen in großen Zeitreihen vorgestellt, die sich durch lineare Komplexität, Überlegenheit gegenüber bestehenden Methoden und bewiesene Konvergenz auszeichnen.
Die Autoren stellen eine Erweiterung semi-parametrischer Modelle auf Basis von Bayesian Additive Regression Trees (BART) vor, die durch modifizierte Baumgenerierungsverfahren die gemeinsame Nutzung von Kovariaten in linearen und nicht-parametrischen Komponenten ermöglicht, um Verzerrungen zu vermeiden und komplexe Interaktionen bei der Analyse von Bildungsdaten zu erfassen.
Diese Arbeit stellt ein weißes SVM-Framework mit schwarmbasierter Optimierung vor, das zur Überwachung von Zahnfräsern durch die Echtzeit-Charakterisierung von Spindelvibrationen und die Analyse von Verschleißmustern dient.
Dieser Artikel bietet einen Überblick über das automatisierte Reinforcement Learning (AutoRL), das verschiedene Komponenten wie MDP-Modellierung, Algorithmusauswahl und Hyperparameter-Optimierung automatisiert, und fasst dabei aktuelle Forschung, einschließlich LLM-basierter Techniken, sowie zukünftige Herausforderungen und Forschungsrichtungen zusammen.
Diese Arbeit stellt ein erklärbares, unsicherheitsbewusstes Subsequenz-Modell vor, das die Klassifizierung astronomischer Zeitreihen mit vergleichbarer Leistung wie Black-Box-Methoden ermöglicht, indem es Datenunsicherheit direkt als Eingabe verarbeitet und Domain-Experten die Nachvollziehbarkeit der Vorhersagen sowie potenzielle neue Erkenntnisse für die theoretische Astrophysik bietet.
Die Studie stellt eine effiziente Ensemble-Methode auf Basis der Gauß-Prozess-Regression vor, die für US-Aktien von 1962 bis 2016 sowohl statistisch als auch wirtschaftlich überlegene Renditevorhersagen liefert und durch die Einbeziehung von Unsicherheiten in ein mean-variance-optimiertes Portfolio eine signifikante Outperformance gegenüber dem S&P 500 ermöglicht.
Dieser Beitrag stellt eine kostengesteuerte Methode zur Erlernung von Zustandsrepräsentationen für die lineare quadratische Gaußsche (LQG) Steuerung vor und liefert erstmals endliche Stichproben-Garantien für die Konvergenz zu einem nahezu optimalen Regler, indem ein latentes Modell ausschließlich durch die Vorhersage von Kosten statt von Beobachtungen gelernt wird.
Die vorgestellte Arbeit führt den IW-DKF ein, der Importance Sampling auf das Deep Kalman Filter anwendet, um durch engere Monte-Carlo-Ziele die Schätzung latenter Zustände und Parameter in nichtlinearen physikalischen Modellen wie dem Lorenz-Attraktor signifikant zu verbessern.
Die Arbeit stellt MU-Mis vor, eine bahnbrechende Methode zum maschinellen Vergessen, die durch die direkte Unterdrückung der Sensitivität des Modells gegenüber den zu vergessenden Daten diese vollständig entfernt, ohne dabei die Leistung auf den verbleibenden Daten zu beeinträchtigen oder Zugriff auf diese Daten zu benötigen.
Dieser Übersichtsartikel bietet eine maschinelle Lernperspektive auf den Computerized Adaptive Testing (CAT), indem er die Integration von ML-Techniken in Messmodelle, Fragenauswahl, Itembank-Konstruktion und Teststeuerung analysiert, um robuste, faire und effiziente adaptive Testsysteme zu entwickeln.
Die vorgestellte Arbeit führt das NQS-DQME-Framework ein, das künstliche neuronale Netze mit dissipaton-embeddeter Master-Gleichung kombiniert, um nicht-Markovsche offene Quantendynamiken effizient und skalierbar zu simulieren, wobei die Genauigkeit numerisch exakter Methoden bewahrt wird.
Die Arbeit stellt LoRA-Ensemble vor, eine parametereffiziente Methode zur Unsicherheitsmodellierung in Self-Attention-Netzwerken, die durch die Nutzung individueller Low-Rank-Matrizen innerhalb eines geteilten Moduls die Genauigkeit expliziter Ensembles erreicht und gleichzeitig eine überlegene Kalibrierung sowie geringere Rechenkosten bietet.
Die Arbeit stellt FEX vor, ein neuartiges Framework, das attributionsbasierte Erklärungen durch Wahrscheinlichkeitsverteilungen und Policy-Gradient-Optimierung ermöglicht, um die Erklärungszeit um über 97 % und den Speicherverbrauch um 70 % im Vergleich zu herkömmlichen modellunabhängigen Ansätzen zu reduzieren, ohne dabei die Qualität oder allgemeine Anwendbarkeit zu beeinträchtigen.
Diese Arbeit identifiziert und analysiert eine unerwartete „Korruptionsphase" während des Few-Shot-Fine-Tunings von Diffusionsmodellen, die durch eine verengte Lernverteilung verursacht wird, und schlägt vor, Bayesianische Neuronale Netze zur impliziten Verbreiterung dieser Verteilung einzusetzen, um die Bildqualität und Vielfalt zu verbessern, ohne zusätzliche Inferenzkosten zu verursachen.
Die vorgestellte Arbeit stellt DKDL-Net vor, ein leichtgewichtiges Modell zur Erkennung von Wälzlagerfehlern, das durch Entkopplung von Wissensdistillation und Low-Rank-Adaptions-Feinabstimmung eine Genauigkeit von 99,48 % bei deutlich reduzierter Parameteranzahl erreicht und damit den aktuellen Stand der Technik übertrifft.
Die Studie stellt einen strukturierten semiparametrischen Ansatz vor, der auf Double Machine Learning basiert, um verzerrte Schätzer in randomisierten Experimenten auf Plattformen mit algorithmischer Interferenz zu korrigieren und so präzise globale Behandlungseffekte für den flächendeckenden Einsatz von Algorithmen zu ermöglichen.
LAMBDA ist ein neuartiges, quelloffenes und code-freies Multi-Agenten-System, das auf großen Sprachmodellen basiert und durch die Zusammenarbeit eines Programmier- und eines Prüfer-Agenten sowie die Möglichkeit zur menschlichen Eingriffnahme und Integration externer Algorithmen Datenanalysen für Nutzer unterschiedlicher Hintergründe zugänglicher und effizienter macht.
Die Arbeit stellt OTAD vor, ein neuartiges zweistufiges Verteidigungsmodell, das die Vorteile von adversarialem Training und Lipschitz-Netzen durch die Nutzung optimaler Transporttheorie und konvexer Integration vereint, um Deep-Learning-Systeme sowohl präzise als auch lokal Lipschitz-stetig und damit robust gegenüber unbekannten Angriffen zu machen.
Die Arbeit etabliert die statistischen Grundlagen des Mini-Batch-Maximum-Partial-Likelihood-Schätzers (mb-MPLE) für Deep-Cox-Modelle, beweist dessen Konsistenz und asymptotische Normalität und liefert praktische Richtlinien für das Hyperparameter-Tuning sowie die Anwendung in großskaligen Szenarien, in denen herkömmliche Schätzer nicht berechenbar sind.