6837 Arbeiten
Die Arbeit stellt EC-Net vor, ein hyperbolisches Hypergraph-Framework, das durch die Modellierung von Modalitätshierarchien in Poincaré-Kugel-Einbettungen und bidirektionale Hypergraph-Nachrichtenübertragung robuste und genaue multimodale Emotionserkennung auch bei verrauschten oder unvollständigen Daten ermöglicht.
Die Arbeit stellt ModalImmune vor, ein Trainingsframework, das durch gezieltes, kontrolliertes Zusammenbrechen ausgewählter Modalitäten während des Trainings robuste multimodale Repräsentationen erzeugt, um die Zuverlässigkeit von Systemen bei Ausfall oder Korruption von Eingabekanälen zu gewährleisten.
Diese Studie stellt das Fly-connectomic Graph Model (FlyGM) vor, das die statische Struktur des vollständigen Gehirns einer adulten Fruchtfliege als gerichteten Graphen nutzt, um ohne aufgabenspezifische Anpassungen eine effiziente und stabile Steuerung der Ganzkörperlokomotion im verstärkten Lernen zu ermöglichen.
Die Arbeit stellt neue Werkzeuge für Split-Conformal-Vorhersagen vor, die über die reine Abdeckung hinausgehen, indem sie durch eine Small-Sample-Beta-Korrektur und einen Kalibrierungs- und Auditierungsansatz finite-garantierte operative Kennzahlen wie Entscheidungshäufigkeit und Fehlerexposition für den praktischen Einsatz bereitstellen.
Die Arbeit demonstriert, dass Architekturen, die äquivariante Operatoren in einem latenten Raum aus Beispielen lernen, die Generalisierung auf bisher nicht gesehene Transformationen bei der Objekterkennung verbessern können, weist jedoch gleichzeitig Herausforderungen beim Skalieren auf komplexere Datensätze auf.
Diese Arbeit stellt einen umfassenden Multi-KPI-Benchmark für Multi-Agenten-Reinforcement-Learning-Algorithmen im CityLearn-Umfeld vor und zeigt, dass dezentralisiertes Training mit dezentraler Ausführung (DTDE) zentrale Ansätze in Bezug auf Leistung und Robustheit übertrifft.
Die Arbeit stellt RAmmStein vor, eine auf Deep Reinforcement Learning basierende Methode, die durch die Berücksichtigung von Marktregimen und Mean-Reversion die Rebalancing-Häufigkeit in konzentrierten AMMs drastisch reduziert und so die Kapitalrendite im Vergleich zu heuristischen Strategien signifikant steigert.
Diese Studie benchmarkt vier GNN-Architekturen auf molekularregressiven Aufgaben und zeigt, dass ein hierarchischer Fusionsansatz aus GNN und Fingerabdrücken die Leistung konsistent verbessert, während die Analyse der repräsentationalen Ähnlichkeit (CKA) auf weitgehend unabhängige latente Räume zwischen GNN und Fingerabdrücken sowie eine hohe Konvergenz zwischen verschiedenen GNN-Architekturen hinweist.
Die Autoren stellen MrBERT vor, eine Familie effizienter multilingualer Encoder auf ModernBERT-Basis, die durch gezielte Anpassung an 35 Sprachen sowie spezialisierte Domänen und die Integration von Matryoshka-Repräsentationslernen sowohl state-of-the-art-Leistung als auch kosteneffiziente Inferenz ermöglicht.
Die Arbeit stellt AVDE vor, ein leichtgewichtiges und effizientes Framework, das durch die Feinabstimmung eines vortrainierten EEG-Modells und eine autoregressive "Next-Scale Prediction"-Strategie visuelle Informationen aus EEG-Signalen rekonstruiert und dabei die Leistungsfähigkeit bestehender Methoden bei deutlich geringerem Rechenaufwand übertrifft.
Die Arbeit stellt CeRA vor, eine neue Methode zur parametereffizienten Feinabstimmung, die durch Manifold-Expansion die linearen Grenzen von LoRA bei komplexen Aufgaben wie mathematischem Schlussfolgern überwindet und dabei bei deutlich niedrigerem Rang eine überlegene Leistung erzielt.
Die Studie zeigt, dass die Erweiterung eines App-Store-Rankers durch Millionen von mit einem spezialisierten, feinabgestimmten LLM generierten Textrelevanz-Labels die Pareto-Grenze verschiebt und zu signifikanten Verbesserungen sowohl bei der Offline-NDCG als auch bei der weltweiten Konversionsrate führt, insbesondere bei Suchanfragen mit wenig Verhaltensdaten.
Die Autoren stellen einen ersten durchgängig differenzierbaren Simulator für optische Teilchendetektoren vor, der Kalibrierung und Rekonstruktion in einem einzigen Framework vereint und durch gradientenbasierte Optimierung sowohl die Genauigkeit als auch die Geschwindigkeit der Datenanalyse verbessert.
Die Arbeit stellt Attn-QAT vor, eine Methode zur quantisierungsbewussten 4-Bit-Attention, die durch die Anpassung der Rückwärtsberechnung an niedrige Präzision und die Auflösung impliziter Genauigkeitsannahmen eine stabile FP4-Ausbildung ohne Ausreißer-Minderung ermöglicht und auf der RTX 5090 eine bis zu 1,5-fache Geschwindigkeitssteigerung erzielt.
Die Arbeit zeigt, dass neuartige Partitionen mit ungleichen Volumina im Vergleich zum klassischen Jittered Sampling zu Punktmengen mit einer geringeren erwarteten Stern-Diskrepanz führen und damit verbesserte obere Schranken sowie eine theoretische Grundlage für numerische Integrationen in hohen Dimensionen liefern.
Diese Arbeit stellt einen reproduzierbaren Rahmen vor, der die reasoning-Fähigkeiten multimodaler Modelle bei EKG-Signalen durch eine duale Verifikation von Wahrnehmung (mittels Code-Generierung) und Deduktion (durch Abgleich mit klinischen Kriterien) skalierbar bewertet, um die Validität klinischer Logik jenseits oberflächlicher Metriken zu überprüfen.
Diese Arbeit stellt ein zweistufiges HMM-POMDP-Rahmenwerk vor, das die Energiestrategie für die Formel-1-Saison 2026 optimiert, indem es mittels eines Hidden-Markov-Modells den verborgenen Zustand von Gegnern aus Telemetriedaten ableitet und eine Deep-Q-Network-Politik zur Vermeidung von Täuschungsmanövern wie dem „Counter-Harvest Trap" steuert.
Dieser Bericht beschreibt das TCG CREST-System für die DISPLACE-M-Herausforderung, das durch den Einsatz des hybriden End-to-End-Modells Diarizen in Kombination mit einer optimierten Agglomerativen Hierarchischen Clustering-Methode eine relative Verbesserung der Sprecherdiarisierungsfehlerquote (DER) von etwa 39 % im Vergleich zur SpeechBrain-Baseline erreichte und den sechsten Platz unter 11 Teams belegte.
Die vorgestellte Arbeit stellt eine rechen-effiziente, detektionsgesteuerte Pipeline vor, die durch die Kombination eines Lokalisators und eines Segmentierers robuste Glottalflächen-Wellenformen aus Hochgeschwindigkeits-Videoendoskopien extrahiert, um zuverlässige klinische Biomarker für die pathologische Stimmbewertung über verschiedene Datensätze hinweg zu ermöglichen.
Die Studie stellt einen robusten Framework vor, der die CoAtNet-Architektur mit der Model-Soups-Technik kombiniert, um die Klassifizierung von Bildern des immateriellen Kulturerbes im Mekong-Delta in ressourcenarmen Szenarien durch eine varianzreduzierende Gewichtung diverser Checkpoints auf ein neues Leistungsniveau zu heben.