6644 Arbeiten
Der Paper stellt DemoDiffusion vor, eine Methode, die es Robotern ermöglicht, komplexe Manipulationsaufgaben durch Nachahmung einer einzigen menschlichen Demonstration zu erlernen, indem sie eine kinematische Retargeting-Vorlage mit einem vortrainierten Diffusions-Policy kombiniert, um eine robuste Anpassung ohne zusätzliche Trainingsdaten zu erreichen.
Die Studie zeigt, dass künstliche Sehsysteme durch die Anwendung einer menschlich inspirierten, entwicklungsorientierten visuellen Lernkurriculum („Developmental Visual Diet") robuster, adversarial-resistenter und stärker auf Form statt auf Textur ausgerichtet werden können, wodurch sie menschlichem Sehen deutlich näher kommen.
Die Studie zeigt, dass Physics-Informed Neural Networks (PINNs) bei verrauschten Daten eine Mindestgröße überschreiten müssen, um einen empirischen Fehler unter die Varianz des Rauschens zu drücken, wobei eine reine Erhöhung der Stichprobenanzahl allein keine Verbesserung garantiert.
Die Arbeit stellt TableEG vor, ein auf Large Language Models basierendes Framework, das durch Feinabstimmung authentische Fehler in tabellarischen Daten generiert und so eine zuverlässige Benchmark für die Bewertung von Datenbereinigungstechniken schafft.
Die Arbeit stellt MCULoRA vor, einen neuen Parameter-effizienten Ansatz für die unvollständige multimodale Emotionserkennung, der durch die Entkopplung gemeinsamer Informationen und eine dynamische Feinabstimmung der Trainingsverhältnisse die Konflikte zwischen Gradienten verschiedener Modalitätskombinationen überwindet und damit die Vorhersagegenauigkeit signifikant verbessert.
Die Arbeit identifiziert die „Agreement Bias" als zentrales Hindernis für Multimodale LLMs als Verifizierer und schlägt mit SGV eine zweistufige, selbstverankerte Methode vor, die die Fehlererkennung und Aufgabenabschlussraten in Bereichen wie Webnavigation und Robotik signifikant verbessert.
Diese Arbeit bietet die erste umfassende Übersicht über Flow-Matching-Modelle und deren Anwendungen in den Biowissenschaften, indem sie die theoretischen Grundlagen systematisch erläutert, Anwendungsbereiche wie Sequenzmodellierung und Moleküldesign kategorisiert sowie Datensätze, Werkzeuge und zukünftige Forschungsrichtungen zusammenfasst.
Diese Arbeit erweitert das Weak-to-Strong Generalization-Paradigma auf komplexe Entscheidungsprozesse, indem sie durch die Nutzung von „Trajektorienbäumen" und Monte-Carlo-Baumsuche sowohl Erfolge als auch Fehlversuche schwacher Modelle nutzt, um die Fähigkeiten starker Modelle theoretisch fundiert und empirisch nachweisbar zu optimieren.
Diese Arbeit untersucht, wie böswillige KI-Anbieter durch mathematisch fundierte Manipulationen scheinbar faire und repräsentative Datensätze erzeugen können, um Compliance-Audits zu täuschen, und entwickelt darauf aufbauend statistische Methoden zur Erkennung solcher Täuschungsversuche.
Die Studie stellt einen dynamischen, automatisierten und systematischen Red-Teaming-Rahmen (DAS) vor, der zeigt, dass medizinische Sprachmodelle trotz hoher Ergebnisse in statischen Benchmarks erhebliche Sicherheitslücken aufweisen und somit durch kontinuierliche Stress-Tests auf Robustheit, Datenschutz, Fairness und Halluzinationen überprüft werden müssen, bevor sie sicher in der klinischen Praxis eingesetzt werden können.
Das Paper stellt CauKer vor, einen Algorithmus, der mittels Gauß-Prozess-Kernel-Komposition und strukturellen kausalen Modellen diverse, kausal kohärente synthetische Zeitreihen erzeugt, um die vortrainierte Klassifikation von Zeitreihen-Foundation-Modellen effizienter zu gestalten und dabei klare Skalierungsgesetze im Vergleich zu realen Datensätzen aufzuzeigen.
Die Arbeit stellt GraphProp vor, ein zweiphasiges Trainingsverfahren für Graph-Foundation-Modelle, das durch die Vorhersage struktureller Graphinvarianten eine robuste domänenübergreifende Generalisierung erreicht und insbesondere bei Graphen ohne Knotenattribute überlegene Leistung in überwachtem und Few-Shot-Learning zeigt.
Diese Arbeit zeigt, dass Gating-Mechanismen in rekurrenten neuronalen Netzen durch die Kopplung von Zustands- und Parameterraum-Dynamiken datengesteuerte, lag-abhängige effektive Lernraten erzeugen und als Prädikonditionierer wirken, die den Gradientenfluss in niedrigdimensionale Unterräume lenken und damit die Trainierbarkeit verbessern.
Das Paper stellt ECHO vor, ein frequenzbewusstes hierarchisches Encoder-Modell für Basis-Modelle, das durch Band-Split-Architektur und gleitende Patches variable Signallängen und beliebige Abtastraten unterstützt und damit bei der Anomalieerkennung und Fehlerklassifizierung in industriellen Maschinensignalen state-of-the-art Ergebnisse erzielt.
Die Autoren stellen einen Algorithmus vor, der mithilfe von gemischt-ganzzahligen linearen Programmen parametrische Einschränkungen aus Demonstrationen lokaler Nash-Gleichgewichte in Multi-Agenten-Spielen lernt, um theoretisch fundierte, innere Approximationen sicherer und unsicherer Mengen zu gewinnen und robuste Bewegungspläne zu entwerfen.
Die Studie stellt CbLDM vor, ein bedingtes latentes Diffusionsmodell, das mithilfe von Laplace-Matrizen und bedingten Priors die rekonstruierte Nanostruktur monometallischer Nanopartikel aus atomaren Paarverteilungsfunktionen stabil und physikalisch sinnvoll bestimmt.
Diese Arbeit stellt ein einheitliches Trainingsframework vor, das entropiegesteuertes Curriculum-Learning und Multi-Task-Learning kombiniert, um die Vorhersagegenauigkeit menschlicher Mobilität durch schrittweise Komplexitätssteigerung und die gleichzeitige Optimierung von Distanz- und Richtungsdaten zu verbessern.
Diese Studie vergleicht imputationsbasierte Methoden (MICE) mit generativen Modellen wie VAEs und CTGANs für die synthetische Datengenerierung in der Tarifgestaltung und zeigt, dass MICE-Modelle bei geringerer Implementierungskomplexität eine hohe Datenqualität und Konsistenz bei GLM-Modellen bieten.
Diese Arbeit schlägt die Klasse von Methoden F²SA-p vor, die durch die Verwendung von p-ter Ordnung endlichen Differenzen zur Approximation des Hypergradienten die Komplexität für stochastische Bilevel-Optimierungsprobleme mit hochgradig glatten Funktionen auf verbessert und damit nahezu die untere Schranke von erreicht.
Die Studie zeigt, dass bei der Verhaltensinferenz von KI-Agenten zwar Motivationen mit nahezu 100 %iger Genauigkeit erkannt werden können, während die Identifizierung von Glaubenssystemen selbst bei fortschrittlichen Architekturen und umfangreichen Trainingsdaten an einer fundamentalen Informationsgrenze von unter 50 % scheitert.