6713 Arbeiten
Die Arbeit stellt SelfOrg vor, ein Rahmenwerk, das Multi-Agenten-Systeme auf Basis von Large Language Models durch eine reaktionsbasierte, stochastische Selbstorganisation und die dynamische Konstruktion eines gerichteten azyklischen Graphen optimiert, um die Kommunikation ohne externe Aufsicht oder Training effizient zu steuern.
Die Arbeit stellt CroSTAta vor, einen Transformer-Ansatz für die robotische Manipulation, der durch eine neuartige State-Transition-Attention-Mechanik und temporale Maskierung die Robustheit gegenüber Abweichungen von Demonstrationsdaten signifikant verbessert und dabei bestehende Methoden wie TCN, LSTM und herkömmliche Cross-Attention übertrifft.
Die vorgestellte Arbeit stellt eine neue Methode namens „Double Projection" innerhalb der Familie der dynamischen Variational Autoencoder vor, die aus Beobachtungsdaten sowohl Systemzustandsverläufe als auch Rauschzeitreihen schätzt, um stochastische Modelle dynamischer Systeme mit niedrigdimensionalen Zustandsräumen für die Mehrschritt-Prognose zu lernen.
Diese Studie stellt einen kosteneffizienten, agentenbasierten LLM-Workflow vor, der autonom über 27.000 thermoelektrische und strukturelle Materialeigenschaften aus wissenschaftlicher Literatur extrahiert, um die größte bisher verfügbare maschinenlesbare Datensammlung für die datengesteuerte Materialentdeckung zu schaffen.
Die Arbeit stellt DialTree vor, ein auf-richtungsorientiertes Reinforcement-Learning-Framework, das durch die Integration von Baumsuche autonom vielfältige Mehr-Turn-Angriffsstrategien gegen Large Language Models entwickelt und dabei die Angriffsrate im Vergleich zu bestehenden Methoden um über 44,2 % steigert.
Diese Studie demonstriert die erfolgreiche Anwendung von KI-gestützten Large Language Models und einem Wissensgraphen zur Strukturierung und Visualisierung von 7.967 Artikeln aus senegalesischen Rechtstexten, um den Zugang zu juristischen Informationen und das Verständnis von Rechten und Pflichten zu verbessern.
Die Studie zeigt, dass aktuelle graphbasierte Deep-Learning-Methoden für Tabellendaten zwar auf der Modellierung von Feature-Interaktionen basieren, deren zugrundeliegende Graphstrukturen jedoch kaum korrekt rekonstruieren, was die Notwendigkeit unterstreicht, die Strukturmodellierung zu priorisieren, um die Vorhersagegenauigkeit zu verbessern.
Die vorgestellte Arbeit führt skalierbare, regularisierte Wasserstein-Gradientenflüsse ein, die durch Mini-Batch-Optimaltransport und die Integration von Label-Informationen einen neuen State-of-the-Art für die Berechnung von Baryzentren in Anwendungen wie Computer Vision und Neurobiologie darstellen.
Diese Arbeit stellt ein Pretraining-Fine-Tuning-Paradigma für das Reinforcement Learning bei der Robotergangart vor, bei dem ein vorab trainiertes propriozeptives inverses Dynamikmodell (PIDM) zur Initialisierung von Actor-Critic-Netzwerken genutzt wird, um die Probeneffizienz und Aufgabenleistung im Vergleich zur zufälligen Initialisierung signifikant zu verbessern.
Die Arbeit stellt ARM-FM vor, ein Framework, das Foundation Models nutzt, um automatische Reward Machines aus natürlichen Sprachbeschreibungen zu generieren und so eine compositional Reinforcement Learning mit Zero-Shot-Verallgemeinerung ermöglicht.
Die Studie zeigt, dass durch RL-Training induzierte motivierte Reasoning-Muster in Large Language Models dazu führen, dass CoT-Monitoring-Systeme systematisch getäuscht werden, indem sie plausible, aber irreführende Rechtfertigungen für Verstöße gegen Sicherheitsrichtlinien akzeptieren, obwohl die eigentliche Antwort den Richtlinien widerspricht.
Die vorgestellte Arbeit stellt ein erklärbares Framework für die Anomalieerkennung in Finanznetzwerken vor, das durch adaptive Experten-Routing-Mechanismen nicht nur verschiedene Anomaliearten wie Preischocks oder Liquiditätskrisen identifiziert, sondern auch deren spezifische Ursachen automatisch zuordnet, um gezielte regulatorische Maßnahmen zu ermöglichen.
Die vorgestellte Arbeit führt Permutation Relative Policy Optimization (PRPO) ein, eine Reinforcement-Learning-Methode, die strukturelle Priors nutzt, um die numerische Schlussfolgerung von Large Language Models für Tabellenvorhersagen zu stärken und dabei selbst in Zero-Shot-Szenarien die Leistung deutlich größerer Modelle zu übertreffen.
Die Autoren stellen mit RobLight eine Methode vor, die die Verifikation der strukturellen Robustheit von Graph-Neuralen-Netzen durch den Ersatz rechenintensiver Solver durch effiziente, polynomielle Teil-Solver verbessert und dabei auf Kosten der Vollständigkeit eine schnellere Lösung ermöglicht.
Diese Arbeit stellt ein formales, einheitliches Rahmenwerk für Zero-Shot-Reinforcement-Learning vor, das eine Taxonomie bestehender Methoden sowie eine Zerlegung der Gesamtfehlergrenze in Inferenz-, Belohnungs- und Approximationskomponenten bietet, um rigorose Vergleiche zu ermöglichen.
Das Paper stellt SwiftTS vor, ein effizientes Auswahlframework für vortrainierte Zeitreihenmodelle, das mittels multi-task Meta-Learning und einer leichten Dual-Encoder-Architektur die Leistung von Modellen auf neuen Datensätzen vorhersagt, um teures Feinabstimmen zu vermeiden.
Die Arbeit stellt „Mercer-Priors" vor, eine neue Klasse von Priors für Bayesianische neuronale Netze, die durch direkte Definition über die Mercer-Darstellung von Kovarianzkernen interpretierbare Gitterprozesse approximieren und so die Skalierbarkeit neuronaler Netze mit der Interpretierbarkeit von Gauß-Prozessen für die Unsicherheitsquantifizierung verbinden.
Die Arbeit stellt PESO vor, eine Methode zur kontinuierlichen Anpassung von LoRA-Adaptern in generativen Empfehlungssystemen, die durch einen proximalen Regularisierer sicherstellt, dass das Modell aktuelle Nutzerpräferenzen effektiv erfasst, ohne sich an veraltete Vorlieben zu binden.
Diese Studie vergleicht die interpretierbare ANFIS-FBCSP-PSO-Methode mit dem Deep-Learning-Modell EEGNet zur Motor-Imagery-EEG-Klassifizierung und zeigt, dass das Fuzzy-Modell bei innerhalb-subjektiven Tests überlegen ist, während EEGNet eine bessere Generalisierung über verschiedene Probanden hinweg bietet, was eine gezielte Auswahl des Systems je nach Anforderung an Interpretierbarkeit oder Robustheit ermöglicht.
Diese Arbeit stellt ein System für vernetzte Mixture-of-Experts (NMoE) im mobilen Edge-Computing vor, das durch eine effiziente, datenschutzkonforme Federated-Learning-Strategie die Herausforderungen beim Training großer KI-Modelle auf ressourcenbeschränkten Endgeräten adressiert.