🤖 Category

cs.LG

6746 Arbeiten

Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection

Die vorgestellte Arbeit stellt „Latent Sculpting" vor, einen hierarchischen Zwei-Phasen-Ansatz, der durch die explizite geometrische Strukturierung des latenten Raums und nachfolgende Dichteschätzung eine robuste Zero-Shot-Anomalieerkennung für tabellarische Netzwerkdaten ermöglicht und dabei selbst bei komplexen, unbekannten Angriffen wie Infiltrationen und DoS-Varianten hohe Erkennungsraten erzielt.

Rajeeb Thapa Chhetri, Saurab Thapa, Avinash Kumar, Zhixiong Chen2026-03-10🤖 cs.LG

Certifying the Right to Be Forgotten: Primal-Dual Optimization for Sample and Label Unlearning in Vertical Federated Learning

Die Arbeit stellt FedORA vor, einen primal-dualen Optimierungsalgorithmus für das vertikale föderierte Lernen, der durch die Formulierung des Daten- und Label-Entfernens als optimales Problem mit einer neuen Verlustfunktion und adaptiven Schritten eine effiziente und theoretisch abgesicherte Umsetzung des „Rechts auf Vergessenwerden" ermöglicht.

Yu Jiang, Xindi Tong, Ziyao Liu, Xiaoxi Zhang, Kwok-Yan Lam, Chee Wei Tan2026-03-10🤖 cs.LG

Reliable Grid Forecasting: State Space Models for Safety-Critical Energy Systems

Diese Studie stellt einen operatorfreundlichen Evaluierungsrahmen für die Netzlastprognose vor, der zeigt, dass herkömmliche Genauigkeitsmetriken Sicherheitsrisiken verschleiern, und demonstriert, wie durch explizite Wetterintegration und bias-konstrainte Optimierungsziele die Zuverlässigkeit von State-Space-Modellen und Transformern in sicherheitskritischen Energiesystemen verbessert wird, ohne in triviale Überprognosen zu verfallen.

Sunki Hong, Jisoo Lee2026-03-10⚡ eess

From Mice to Trains: Amortized Bayesian Inference on Graph Data

Diese Arbeit stellt einen amortisierten Bayes'schen Inferenzansatz für Graphdaten vor, der Permutationsinvarianz und Skalierbarkeit durch eine Zwei-Modul-Pipeline aus Graph-Encoder und neuronalem Posterior-Schätzer gewährleistet, um Parameter auf Knoten-, Kanten- und Graphenebene in synthetischen sowie realen Anwendungen aus Biologie und Logistik effektiv zu schätzen.

Svenja Jedhoff, Elizaveta Semenova, Aura Raulo, Anne Meyer, Paul-Christian Bürkner2026-03-10🤖 cs.LG

DevBench: A Realistic, Developer-Informed Benchmark for Code Generation Models

Der Artikel stellt DevBench vor, einen datengestützten Benchmark, der große Sprachmodelle anhand von 1.800 realistischen Code-Vervollständigungsaufgaben aus Entwickler-Telemetriedaten bewertet, um deren praktische Nützlichkeit und ökologische Validität über traditionelle Metriken hinaus zu analysieren.

Pareesa Ameneh Golnari, Adarsh Kumarappan, Wen Wen, Xiaoyu Liu, Gabriel Ryan, Yuting Sun, Shengyu Fu, Elsie Nallipogu2026-03-10🤖 cs.LG

ELSA: Efficient LLM-Centric Split Aggregation for Privacy-Aware Hierarchical Federated Learning over the Network Edge

Das Papier stellt ELSA vor, ein effizientes Framework für das hierarchische Federated Learning von Large Language Models am Netzwerkrand, das Split Learning mit einer klustergestützten, ressourcenbewussten und privatsphäreschützenden Aggregationsstrategie kombiniert, um die Herausforderungen von Ressourcenbeschränkungen, Datenheterogenität und Datenschutz zu bewältigen.

Xiaohong Yang, Tong Xie, Minghui Liwang, Chikai Shang, Yang Lu, Zhenzhen Jiao, Liqun Fu, Seyyedali Hosseinalipour2026-03-10🤖 cs.LG

Continuous-Flow Data-Rate-Aware CNN Inference on FPGA

Diese Arbeit stellt einen neuartigen Ansatz für datenratenbewusste, kontinuierliche CNN-Architekturen auf FPGAs vor, der durch geschicktes Interleaving von Signalen und Teilen von Hardwareeinheiten eine nahezu 100-prozentige Hardwareauslastung erreicht und so komplexe Modelle wie MobileNet mit hoher Durchsatzrate auf einem einzigen Chip implementierbar macht.

Tobias Habermann, Michael Mecik, Zhenyu Wang, César David Vera, Martin Kumm, Mario Garrido2026-03-10🤖 cs.LG

MeanCache: From Instantaneous to Average Velocity for Accelerating Flow Matching Inference

Das Paper stellt MeanCache vor, ein training-freies Caching-Framework für Flow Matching, das durch die Nutzung von durchschnittlichen Geschwindigkeiten anstelle von momentanen Geschwindigkeiten sowie einer Trajektorien-Stabilitäts-Strategie die Inferenzgeschwindigkeit bei gleichzeitiger Aufrechterhaltung der Generierungsqualität signifikant steigert.

Huanlin Gao, Ping Chen, Fuyuan Shi, Ruijia Wu, Li YanTao, Qiang Hui, Yuren You, Ting Lu, Chao Tan, Shaoan Zhao, Zhaoxiang Liu, Fang Zhao, Kai Wang, Shiguo Lian2026-03-10🤖 cs.LG

PASS: Certified Subset Repair for Classical and Quantum Pairwise Constrained Clustering

Die Arbeit stellt PASS vor, ein skalierbares Framework für paarweise eingeschränktes k-Means-Clustering, das durch die Fokussierung der Optimierung auf eine kleine Teilmenge und die formale Behandlung von Cannot-Link-Bedingungen als Listenfärbungsproblem effiziente und verifizierbare Lösungen für klassische und quantenhybride Ansätze liefert.

Pedro Chumpitaz-Flores, My Duong, Ying Mao, Kaixun Hua2026-03-10🤖 cs.LG

Model-Free Neural State Estimation in Nonlinear Dynamical Systems: Comparing Neural and Classical Filters

Diese Arbeit stellt einen systematischen empirischen Vergleich zwischen modellfreien neuronalen Schätzern und klassischen Filtern für nichtlineare dynamische Systeme an und zeigt, dass neuronale Modelle, insbesondere State-Space-Modelle, trotz fehlender Kenntnis der Systemgleichungen eine mit starken nichtlinearen Kalman-Filtern vergleichbare Schätzleistung bei deutlich höherer Inferenzgeschwindigkeit erreichen.

Zhuochen Liu, Hans Walker, Rahul Jain2026-03-10🤖 cs.LG

TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification

Die Arbeit stellt TimeSliver vor, ein neuartiges, erklärbares Deep-Learning-Framework für die Zeitreihenklassifizierung, das durch die symbolisch-lineare Zerlegung von Rohdaten und deren symbolischer Abstraktion eine präzise Zuordnung von Wichtigkeitswerten zu einzelnen Zeitpunkten ermöglicht und dabei sowohl die Vorhersagegenauigkeit als auch die Erklärbarkeit im Vergleich zu bestehenden Methoden signifikant verbessert.

Akash Pandey, Payal Mohapatra, Wei Chen, Qi Zhu, Sinan Keten2026-03-10🤖 cs.LG

Transferable Graph Condensation from the Causal Perspective

Die Arbeit stellt TGCC vor, eine neuartige Methode zur Graph-Datensatz-Kondensation, die auf kausaler Invarianz und spektralem kontrastivem Lernen basiert, um übertragbare, kompakte Datensätze zu erzeugen, die in komplexen Szenarien mit Aufgaben- und Domänenwechseln sowie in Standard-Szenarien signifikant bessere Ergebnisse als bestehende Methoden erzielen.

Huaming Du, Yijie Huang, Su Yao, Yiying Wang, Yueyang Zhou, Jingwen Yang, Jinshi Zhang, Han Ji, Yu Zhao, Guisong Liu, Hegui Zhang, Carl Yang, Gang Kou2026-03-10🤖 cs.LG

FlowSymm: Physics Aware, Symmetry Preserving Graph Attention for Network Flow Completion

FlowSymm ist ein neuartiger, physikbewusster Graph-Attention-Ansatz, der durch die Kombination von divergenzfreien Gruppenaktionen, einem auf Graphen basierenden Encoder und einer Tikhonov-Verfeinerung fehlende Netzwerkflüsse rekonstruiert, wobei lokale Erhaltungsgesetze exakt eingehalten werden und die Methode auf realen Verkehrs-, Energie- und Fahrrad-Datensätzen den aktuellen Stand der Technik übertrifft.

Ege Demirci, Francesco Bullo, Ananthram Swami, Ambuj Singh2026-03-10🤖 cs.LG