6386 Arbeiten
Das Paper stellt LS-Imagine vor, eine Methode, die durch die Einführung eines lang-kurzfristigen Weltmodells und die Simulation zielgerichteter Sprungübergänge die Erkundungseffizienz in hochdimensionalen offenen Welten verbessert und so langfristige Belohnungen effektiver nutzt.
Die Arbeit führt ein PAC-Bayes-Analyserahmenwerk ein, das Adversarial Training als diskretes dynamisches System modelliert, um durch die Verfolgung der Posterior-Entwicklung einen mechanistischen Erklärungsansatz für robustes Overfitting zu liefern und die Wirkung von Adversarial Weight Perturbation auf die Generalisierung zu beleuchten.
Die Studie zeigt, dass Transformer-Modelle im In-Context-Learning-Modus ohne Gradienten-Updates oder explizites Systemwissen versteckte Zustände dynamischer Systeme implizit schätzen können, um Vorhersagen zu treffen, die in linearen und nichtlinearen Szenarien mit klassischen Methoden wie dem Kalman-Filter oder Partikelfiltern konkurrieren.
Die Autoren stellen einen allgemeinen Transfer-Learning-Rahmen für das Clustering vor, der einen adaptiven Algorithmus (ATC) nutzt, um die Gemeinsamkeiten zwischen einem Haupt- und einem Hilfsdatensatz automatisch zu nutzen, selbst bei unbekannten Diskrepanzen, und dessen theoretische Optimalität sowie praktische Wirksamkeit in verschiedenen Szenarien nachgewiesen wird.
Diese Arbeit stellt den allgemeinen lernbaren Proximalen Alternierenden Minimierungsalgorithmus (LPAM) und das daraus abgeleitete LPAM-Netzwerk vor, die durch eine Kombination aus Glättungstechniken, Residual Learning und Blockkoordinatenabstieg konvergente Lösungen für nichtkonvexe und nichtglatte Zwei-Block-Optimierungsprobleme bieten, wie sie beispielsweise bei der Rekonstruktion von MRT-Bildern aus stark unterabgetasteten Daten erfolgreich angewendet werden.
Diese Studie stellt ein neurosymbolisches System vor, das durch die Rekonstruktion von Bildern mittels visueller Primitiven strukturelle Darstellungen lernt und sich in der histologischen Bildanalyse sowohl durch höhere Klassifizierungsgenauigkeit als auch durch größere Transparenz gegenüber herkömmlichen Deep-Learning-Architekturen auszeichnet.
Die Arbeit stellt Puppet-CNN vor, ein Framework, das die Parameter von Faltungsschichten als Zustände eines durch neuronale gewöhnliche Differentialgleichungen gesteuerten kontinuierlichen dynamischen Systems modelliert, wodurch eine eingabeadaptive Berechnung ermöglicht und die Anzahl der gespeicherten trainierbaren Parameter erheblich reduziert wird.
Diese Arbeit stellt einen Ansatz vor, bei dem Diffusionsmodelle ihre Generierungsprozesse an die Komplexität einzelner Eingaben anpassen, indem sie unter variierenden Zeitrahmen und Rauschplänen trainiert werden, was zu einer Reduktion der erforderlichen Abtastschritte bei gleichbleibender Bildqualität führt.
Diese Studie stellt eine Optimierungsstrategie für Locomotor-Aufgabensets vor, die durch Clusteranalyse eine minimale, repräsentative Datengrundlage identifiziert, um die Genauigkeit der biomedizinischen Gelenkmomentenschätzung für Hüftexoskelette zu erhalten und gleichzeitig den Aufwand für die Datenerhebung erheblich zu reduzieren.
Die Autoren schlagen einen parametrischen Ansatz vor, der durch eine endliche Dimensionsdarstellung minimax-optimalen Konvergenzraten bei der nichtparametrischen Regression unter Supremumsnorm erreicht und gleichzeitig den Speicherbedarf sowie die Rechenkosten im Vergleich zu traditionellen Kernel-Methoden drastisch reduziert.
Dieser Artikel untersucht das Potenzial generativer Diffusionsmodelle (GDM) für Massive-MIMO-Kommunikation, indem er einen Überblick über die Technologie bietet, eine Fallstudie zur Kanalschätzung im Nahfeld vorstellt und zukünftige Herausforderungen sowie Forschungsrichtungen aufzeigt.
Diese Arbeit untersucht den Einfluss von Embedding-Priors auf das Prompt-Tuning, zeigt, dass Modelle auch mit neuartigen Embedding-Bereichen effektiv arbeiten können, und stellt die Bedeutung einer einzigen Aktivierungscluster für die Generalisierungsfähigkeit großer Sprachmodelle in Frage.
Diese Arbeit stellt eine Methode vor, die vortrainierte Vision-Language-Modelle nutzt, um abstrakte symbolische Weltmodelle aus wenigen Bild-Demonstrationen zu lernen, wodurch Roboter in der Lage sind, langfristige Entscheidungsprobleme in komplexen Umgebungen durch Planung auf neue Ziele und Szenarien zu verallgemeinern.
Die Arbeit stellt UFGraphFR vor, ein privatsphäreschonendes Empfehlungssystem für das Federated Learning, das durch die Umwandlung lokaler Daten in semantische Textvektoren und die sichere Rekonstruktion globaler Benutzerbeziehungsgraphen auf dem Server die Empfehlungsgenauigkeit und Personalisierung signifikant verbessert.
Diese Arbeit stellt effiziente Datenreduktionsstrategien für das semi-supervisierte adversarielle Training vor, die durch latente Clustering-Techniken die benötigte Menge an ungelabelten Daten und die Rechenzeit drastisch senken, ohne dabei die Robustheit des Modells zu beeinträchtigen.
Diese Arbeit leitet Fehlergrenzen für den Excess Risk bei Klassifizierungsproblemen mit verrauschten Labels in Deep-Learning-Frameworks ab, indem sie statistische Fehler unter Berücksichtigung von Abhängigkeiten und Approximationsfehler im Vektorraum unter der Low-Dimensional-Manifold-Hypothese analysiert.
Die Arbeit stellt GPC vor, ein Lernsteuerungsframework, das durch die Kombination einer generativen Diffusions-Policy, eines prädiktiven Weltmodells und eines Online-Planers die Leistung von Behavior Cloning in verschiedenen robotischen Manipulationsaufgaben sowohl in Simulation als auch in der realen Welt übertrifft.
Diese Arbeit analysiert theoretisch und experimentell die Konvergenz des Approximationsfehlers bei allgemeinen kodierten Berechnungsverfahren (BACC und LeTCC) unter probabilistischen Straggler-Bedingungen und zeigt, dass die Fehler trotz einer mit der Serveranzahl skalierenden erwarteten Anzahl von Stragglern gegen Null konvergieren.
Die Studie stellt GRADIEND vor, eine neuartige Encoder-Decoder-Methode, die Modellgradienten nutzt, um gesellschaftliche Vorurteile wie Geschlecht oder Herkunft zu identifizieren und gezielt zu entfernen, ohne dabei andere Fähigkeiten des Modells zu beeinträchtigen.
Diese Studie analysiert die Sicherheit und Qualität von Code, der von großen Sprachmodellen (LLMs) in verschiedenen Programmiersprachen generiert wurde, und stellt fest, dass die Modelle oft veraltete Methoden verwenden und moderne Sicherheitsfeatures nicht nutzen, was eine Weiterentwicklung zur Integration aktueller Best Practices erforderlich macht.