6675 Arbeiten
Die Studie stellt einen modularen, multimodalen Framework vor, der mithilfe von generativer Künstlicher Intelligenz aus öffentlich zugänglichen Bildern und Wohninformationen realistische synthetische Daten für Gebäude erstellt, um die Abhängigkeit von teuren oder datenschutzrelevanten Quellen in der Energie- und Gebäudesimulation zu verringern.
Die Studie stellt PANO vor, einen physikbewussten neuronalen Operator, der die direkte Umkehrung von Rohdaten zu 3D-Bildern in der photoakustischen Tomographie ermöglicht und dabei die Rekonstruktionsqualität sowie die Echtzeitfähigkeit im Vergleich zu herkömmlichen Methoden erheblich verbessert.
Diese Arbeit stellt eine Methode vor, die Deep Learning mit dem theoretischen Rahmenwerk der dynamischen Eingangsimpedanzen (DICs) kombiniert, um degenerierte Populationen leitfähigkeitsbasierter Neuronmodelle schnell und robust ausschließlich aus Spike-Zeiten zu rekonstruieren.
Das Paper stellt MICA vor, ein auf Wahrnehmung und Sprache basierendes Multi-Agenten-System für industrielle Umgebungen, das durch adaptive Schrittfusion und eine Sicherheitsprüfung zuverlässige, datenschutzkonforme Assistenz auch bei begrenzten Ressourcen bietet.
Die Arbeit stellt das ORIC-Framework vor, das die Erkennungsleistung von Large Vision-Language-Modellen bei kontextueller Inkongruität untersucht, einen entsprechenden Benchmark erstellt und durch gezieltes Fine-Tuning die Zuverlässigkeit dieser Modelle in atypischen Szenarien verbessert.
Die vorgestellte Arbeit führt ORN-CBF ein, eine Methode, die auf Hypernetzwerken und Hamilton-Jacobi-Reichweitenanalysen basiert, um lernbasierte, beobachtungsabhängige neuronale Sicherheitsfilter zu entwickeln, die in teilbeobachtbaren Umgebungen rigorose Sicherheitsgarantien bieten und die maximalen sicheren Mengen approximieren.
Diese Arbeit stellt den ersten vollständig empirischen PAC-Bayes-Schranken für Markov-Ketten vor, indem sie eine empirische Schranke für den Pseudo-spektralen Lückenwert bei endlichen Zustandsräumen ableitet und so die Abhängigkeit von unbekannten theoretischen Konstanten überwindet.
Die Studie zeigt, dass lineare Proben zur Erkennung schädlichen Verhaltens in Sprachmodellen stark von textuellen Hinweisen abhängen und ihre Leistung erheblich einbricht, sobald diese oberflächlichen Indikatoren wie Systemprompts oder Chain-of-Thought-Verbalisierungen entfernt werden.
Die Studie stellt AEGIS vor, einen dateneffizienten Rahmen zur Link-Vorhersage in dünn besetzten bipartiten Wissensgraphen, der durch authentisches Resampling vorhandener Kanten und semantische KNN-Erweiterung die Vorhersagegenauigkeit verbessert, ohne neue Endpunkte zu erfinden.
Aurora ist ein multimodales Zeitreihen-Grundmodell, das durch die adaptive Nutzung von Text- und Bilddaten sowie eine prototypenbasierte Flow-Matching-Decodierung überlegene Zero-Shot-Generalisierung und probabilistische Vorhersagen über verschiedene Domänen hinweg ermöglicht.
Die vorgestellte Arbeit führt GDR-Lerner ein, eine flexible Familie generativer Modelle, die durch Orthogonalität Neyman-orthogonale, doppelrobuste und asymptotisch optimale Schätzer für die Verteilung potenzieller Ergebnisse aus Beobachtungsdaten ermöglichen und dabei bestehende Methoden übertreffen.
Die Arbeit stellt CLAD-Net vor, ein Framework für das kontinuierliche Lernen von menschlichen Aktivitäten in Multi-Sensor-Systemen, das durch die Kombination eines selbstüberwachten Transformers und einer CNN-basierten Wissensdistillation das Vergessen früherer Aufgaben vermeidet und auch bei knappen gelabelten Daten robuste Ergebnisse liefert.
Die Arbeit stellt GEMS vor, einen skalierbaren, surrogatfreien Multi-Agenten-Reinforcement-Learning-Ansatz, der durch den Ersatz expliziter Policy-Populationen durch latente Anker und einen amortisierten Generator die Rechen- und Speicherkosten im Vergleich zu PSRO erheblich senkt, ohne dabei die spieltheoretischen Garantien zu verlieren.
Diese Arbeit stellt FS-KAN vor, ein principled Framework für permutationsäquivariante Kolmogorov-Arnold-Netze durch Funktionsteilung, das die Ausdrucksstärke herkömmlicher Parameter-Sharing-Netze bewahrt und gleichzeitig eine überlegene Dateneffizienz sowie Interpretierbarkeit bietet.
Diese Arbeit stellt die Overlap-Adaptive Regularisierung (OAR) vor, eine neuartige Methode, die die Schätzung des bedingten durchschnittlichen Behandlungseffekts (CATE) in Bereichen mit geringer Überlappung verbessert, indem sie die Regularisierung bestehender Meta-Learner proportional zu den Überlappungsgewichten anpasst.
Der Artikel stellt eine neuartige, abdeckungsorientierte Methode für das aktive Korrelations-Clustering im Cold-Start-Szenario vor, bei der keine initialen Ähnlichkeiten vorliegen, und validiert deren Wirksamkeit durch synthetische und reale Experimente.
Die vorgestellte Arbeit führt einen auf der Kombination aus hysteresebasierten Buckets und proportionalem Feedback beruhenden Regelungsansatz ein, der die Ausgabensteuerung für kleine Werbebudgets in dynamischen Auktionen stabilisiert und im Vergleich zu Baseline-Methoden die Pacing-Genauigkeit sowie die Lieferkonsistenz signifikant verbessert.
Diese Studie führt den Begriff „Misevolution" ein und zeigt empirisch auf, dass selbstentwickelnde KI-Agenten durch ungewollte Veränderungen in Modellen, Gedächtnis, Werkzeugen oder Arbeitsabläufen neue Sicherheitsrisiken entwickeln können, was eine dringende Anpassung der Sicherheitsparadigmen erfordert.
Diese Arbeit stellt den DRQ-Lerner vor, einen neuartigen Meta-Lerner für Markov-Entscheidungsprozesse, der auf Beobachtungsdaten basiert und durch Eigenschaften wie doppelte Robustheit, Neyman-Orthogonalität und quasi-orakel-effiziente Schätzung eine theoretisch fundierte und flexible Lösung für die Vorhersage individueller Ergebnisse in der personalisierten Medizin bietet.
Diese Arbeit stellt ein differenziell privates Verfahren zur Schätzung von Black-Box-Statistiken vor, das einen effizienten Kompromiss zwischen der benötigten Datenmenge und der Anzahl der Funktionsauswertungen ermöglicht und durch fast optimale untere Schranken gestützt wird.