6397 Arbeiten
Diese Arbeit stellt einen effizienten lokalen Suchalgorithmus vor, der polarisierte Gemeinschaften in signierten Netzwerken unter Berücksichtigung neutraler Knoten identifiziert, eine neuartige Optimierungszielsetzung zur Vermeidung von Größenungleichgewichten einführt und dabei eine lineare Konvergenzrate nachweist.
Das Paper stellt CLEF vor, ein Modell zur kontrollierten Sequenzbearbeitung, das in biologischen und klinischen Kontexten gezielte Eingriffe zu spezifischen Zeitpunkten und auf ausgewählte Variablen ermöglicht, wodurch es die Genauigkeit bei der Erzeugung realistischer kontrafaktischer Trajektorien im Vergleich zu bestehenden Methoden erheblich verbessert.
Diese Arbeit zeigt, dass die Anwendung von Low-Rank Adaptation (LoRA) im Federated Learning das Risiko der ungewollten Memorierung von Trainingsdaten in großen Sprachmodellen um bis zu den Faktor 10 reduziert, ohne dabei die Modellleistung signifikant zu beeinträchtigen.
Die Arbeit stellt A3RL vor, einen neuen Online-Reinforcement-Learning-Ansatz, der durch eine konfidenzbasierte, aktive Stichprobenstrategie (A3) Offline- und Online-Daten dynamisch kombiniert, um die Stichprobeneffizienz zu steigern und das Vergessen früherer Fähigkeiten zu vermeiden.
Die Studie stellt das Framework „Texts as Time Series" (TaTS) vor, das zeitlich gepaarte Texte als Hilfsvariablen nutzt, um bestehende reine Zahlen-basierte Zeitreihenmodelle ohne Architekturänderungen zu erweitern und deren Vorhersage- sowie Imputationsleistung in multimodalen Szenarien zu verbessern.
Die Studie stellt LaVCa vor, eine datengestützte Methode, die große Sprachmodelle nutzt, um präzise natürliche Sprachbeschreibungen für die Selektivität von Neuronen im visuellen Kortex zu generieren und damit tiefere Einblicke in die menschliche visuelle Repräsentation sowie feinere funktionale Differenzierungen als bisherige Ansätze ermöglicht.
Die Studie stellt ein Clustering-basiertes Framework vor, das Aufgaben nach Schwierigkeitsgrad gruppiert, um die Leistung von Large Language Models auf zukünftigen Downstream-Aufgaben mit hoher Genauigkeit vorherzusagen und so die Herausforderungen unvorhersehbarer Skalierungseffekte und inkonsistenter Leistungsmuster zu überwinden.
Diese Studie stellt einen Algorithmus vor, der durch die Fusion von segmentierten T1-, T2-, T1ce- und FLAIR-MRT-Bildern mittels UNET und gewichteter Durchschnittsbildung sowie deren Klassifizierung mit einem ResNet50-Modell eine Genauigkeit von 99,25 % bei der Untergruppenklassifizierung von Gliomen erreicht.
Die Autoren stellen LOOP vor, eine neue Reinforcement-Learning-Methode für die Feinabstimmung von Text-zu-Bild-Diffusionsmodellen, die die Varianzreduktionstechniken von REINFORCE mit der Robustheit und Stichprobeneffizienz von PPO kombiniert, um einen besseren Ausgleich zwischen Effizienz und Leistung zu erzielen.
Die Arbeit stellt OrthoGrad vor, eine neue Methode zum maschinellen Vergessen, die durch die Projektion der Gradienten der zu entfernenden Daten auf den orthogonalen Unterraum der verbleibenden Trainingsdaten Interferenzen vermeidet und so auch bei nur begrenztem Zugriff auf den ursprünglichen Datensatz effektiv funktioniert.
Diese Studie stellt GlucoLens vor, ein erklärbares KI-System, das mithilfe von Wearable-Daten, Ernährungsinformationen und großen Sprachmodellen postprandiale Hyperglykämie bei Erwachsenen präzise vorhersagt und personalisierte Verhaltensinterventionen zur Vermeidung von Blutzuckerspitzen ableitet.
Die Arbeit stellt IMPACT vor, ein neuartiges Bewegungsplanungsframework, das Vision-Language-Modelle nutzt, um semantische Umgebungsinformationen zu erfassen und anisotrope Kostenkarten zu generieren, die es einem kontaktbewussten A*-Planer ermöglichen, in überfüllten Umgebungen stabile und sicherheitsbewusste Kontaktbahnen zu finden.
Die Arbeit stellt „Smooth Prototype Equivalences" (SPE) vor, ein Framework, das mithilfe invertierbarer neuronaler Netze spärliche und verrauschte Messdaten auf prototypische dynamische Verhaltensmuster abbildet, um invariante Strukturen wie Grenzzyklen zu identifizieren und dynamische Regime ohne Kenntnis der zugrunde liegenden Gleichungen zu klassifizieren.
Die Arbeit stellt MUSS vor, eine neuartige multilevel-Methode zur effizienten und skalierbaren Auswahl relevanter sowie diverser Teilmengen, die in Anwendungen wie Empfehlungssystemen und RAG sowohl die Genauigkeit als auch die Geschwindigkeit im Vergleich zu bestehenden Ansätzen wie MMR und DGDS signifikant verbessert und theoretisch fundierte Approximationsgarantien bietet.
Die Arbeit stellt EDU-PRM vor, ein neuartiges, entropiegetriebenes Prozess-Reward-Modell, das durch automatische, unsicherheitsbasierte Segmentierung von Denkprozessen teure manuelle Annotationen eliminiert und gleichzeitig bei deutlich reduziertem Trainingsdatenaufwand sowie effizienterer Token-Nutzung state-of-the-art Ergebnisse in der mathematischen Problemlösung erzielt.
Diese Studie verbessert die Vorhersage des metabolischen Syndroms durch einen neuartigen hybriden Rahmen (MetaBoost) zur Optimierung des Datenbalancings und durch eine kontrafaktische Analyse, die Blutzucker und Triglyceride als entscheidende klinische Risikofaktoren identifiziert.
Die Studie zeigt, dass die Kombination von Large Language Models zur Extraktion linguistischer und kognitiver Merkmale mit baumbasierten maschinellen Lernalgorithmen eine genauere Schätzung der Aufgabenschwierigkeit für K-5-Mathematik- und Lesetests ermöglicht als direkte LLM-Schätzungen und somit den Bedarf an aufwendigen Vorabtests reduziert.
Diese Arbeit stellt einen visionbasierten Reinforcement-Learning-Agenten vor, der ausschließlich auf egozentrischen Kamerabildern und Onboard-Sensordaten basiert und in Gran Turismo 7 erstmals champion-level Leistung in wettbewerbsfähigen Rennszenarien erzielt, ohne auf externe Lokalisierung angewiesen zu sein.
Die Autoren entwickeln ein lineares Antwortframework, das neuronale Netze als bayessche statistisch-mechanische Systeme behandelt, um durch lokale Störungen der Datenverteilung effizient berechenbare Suszeptibilitäten zu ermitteln, die als Attributionswerte dienen und funktionale Module in kleinen Transformern aufdecken.
Die Arbeit stellt HetGL2R vor, einen heterogenen Graph-Lernrahmen, der durch die Integration von Origin-Destination-Flüssen und Routeninformationen in einem Tripartiten-Graphen sowie die Nutzung von Attribut-führten Graphen und Transformer-Encodern die Bedeutung von Straßenabschnitten präziser rankt als bestehende Methoden.