2316 Arbeiten
Die Studie stellt DT-BEHRT vor, einen graphenbasierten Transformer, der durch die explizite Modellierung von Krankheitsverläufen und eine maßgeschneiderte Vorverarbeitungsmethode interpretierbare Patientenrepräsentationen für die klinische Entscheidungsfindung erzeugt.
Diese Arbeit entwickelt eine systematische Stabilitätstheorie für Banditalgorithmen auf Basis des stochastischen spiegelnden Abstiegs, führt regularisierte EXP3-Varianten ein, die sowohl für gültige statistische Inferenz als auch für minimax-optimales Lernen sorgen, und zeigt deren Robustheit gegenüber adversarischen Korruptionen.
Die Arbeit stellt ARCHE vor, ein effizientes, auf End-to-End-Lernen basierendes Bildkompressionsframework, das durch die Kombination von hierarchischen, räumlichen und kanalbasierten Priors sowie adaptiver Merkmalsneujustierung ohne rekurrente oder Transformer-Komponenten einen neuen State-of-the-Art in der Rate-Distortion-Leistung bei gleichzeitig hoher Recheneffizienz erreicht.
Die Arbeit stellt Adaptive Activation Cancellation (AAC) vor, ein Echtzeit-Inferenz-Verfahren, das Halluzinationen in großen Sprachmodellen durch die gezielte Unterdrückung spezifischer neuronaler Aktivierungen ohne Nachtraining oder externe Wissensquellen reduziert und dabei gleichzeitig die allgemeine Sprachfähigkeit und das logische Denken des Modells vollständig erhält.
Dieses Paper stellt die actor-accelerated PDA vor, eine Methode, die ein gelerntes Policy-Netzwerk nutzt, um die rechenintensive Optimierung bei der Policy Dual Averaging in kontinuierlichen Aktionsräumen zu beschleunigen, dabei die theoretischen Konvergenzgarantien bewahrt und in Benchmarks die Leistung von PPO übertrifft.
Die Studie stellt ein hybrides Hidden-Markov-Modell vor, das diskrete Marktzustände mit einem Poisson-Sprungmechanismus kombiniert, um synthetische Aktienrenditen zu erzeugen, die sowohl die Verteilungseigenschaften als auch die zeitliche Struktur und Volatilitätsclustering realer Marktdaten besser abbilden als bestehende Ansätze wie GARCH oder Standard-HMMs.
Die Studie stellt Flexible Cutoff Learning (FCL) vor, eine Methode zum Trainieren von Machine-Learning-Potenzialen mit nachträglich anpassbaren Abstandsabschnitten, die es ermöglicht, einen einzigen allgemeinen Ansatz für verschiedene Anwendungen zu optimieren, ohne das Modell neu trainieren zu müssen.
Das Paper stellt FusionNet vor, ein neuronales Netzwerk, das aus kurzen CMR-Aufnahmen hochauflösende 4D-Herzbewegungen rekonstruiert, indem es Zwischenformen schätzt, und erreicht dabei mit einem Dice-Koeffizienten von über 0,897 eine präzisere Formwiederherstellung als bestehende Methoden.
Die Arbeit stellt SDSR vor, einen skalierbaren, auf spektraler Graphentheorie basierenden Divide-and-Conquer-Algorithmus zur Rekonstruktion von Speziesbäumen, der die Rechenzeit im Vergleich zu herkömmlichen Methoden um das Zehnfache reduziert, ohne dabei die Genauigkeit der phylogenetischen Analyse zu beeinträchtigen.
Diese Arbeit analysiert eine Diffusionsapproximation des Policy-Gradient-Verfahrens für stochastische Banditen, indem sie zeigt, dass bei einer Lernrate von ein logarithmisches Regret von erreicht wird, während für bestimmte Instanzen mit logarithmisch vielen Armen eine lineare Lernrate erforderlich ist, um lineares Regret zu vermeiden.
Diese Arbeit erweitert den harmonischen Verlust über die reine euklidische Geometrie hinaus, indem sie systematisch verschiedene nicht-euklidische Distanzmetriken untersucht und nachweist, dass insbesondere kosinus-basierte Ansätze in Vision- und Sprachmodellen die Genauigkeit, Interpretierbarkeit und Nachhaltigkeit im Vergleich zur herkömmlichen Kreuzentropie verbessern.
Dieses Paper stellt eine neue Trust-Region-Innenpunkt-Stochastische-Sequentielle-Quadratische-Programmierung-Methode (TR-IP-SSQP) vor, die stochastische Zielfunktionen mit deterministischen nichtlinearen Nebenbedingungen löst, globale Konvergenz unter Standardannahmen garantiert und ihre praktische Leistungsfähigkeit an CUTEst-Problemen sowie logistischen Regressionen demonstriert.
Die Arbeit stellt I2X vor, ein Framework, das aus unstrukturierten Interpretierbarkeitsmethoden strukturierte Erklärungen für Bildklassifizierungsmodelle ableitet, um deren Entscheidungsfindung während des Trainings nachvollziehbar zu machen und durch gezielte Optimierung der unsicheren Prototypen die Vorhersagegenauigkeit zu verbessern.
Die Arbeit stellt „One-A" vor, ein einheitliches Framework für das schrittweise inkrementelle Lernen bei Klassenungleichgewicht, das durch asymmetrische Subraumausrichtung und richtungsabhängiges Gating stabile Updates für große Aufgaben mit plastischen Anpassungen für kleine Aufgaben in einem einzigen Adapter vereint, um die Leistung zu verbessern und die Inferenzkosten konstant zu halten.
Die Studie zeigt, dass ein neuromorpher Algorithmus zur Lösung partieller Differentialgleichungen eine außergewöhnliche inhärente Fehlertoleranz aufweist, da er bis zu 32 % der Neuronen und 90 % der Spikes verlieren kann, ohne dass die Genauigkeit signifikant beeinträchtigt wird.
Die Arbeit stellt SiMPO vor, ein einfaches und einheitliches Framework für das Online-Diffusions-Reinforcement-Learning, das durch die Nutzung von -Divergenz regularisierter Optimierung und negativer Umgewichtierung eine übermäßige Gierigkeit vermeidet und die Leistung durch flexible, geometrisch fundierte Gewichtungsschemata verbessert.
Die Arbeit zeigt, dass die abhängige Randverteilung in bayesschen hierarchischen Modellen, bei denen die bedingte Prior-Verteilung eine kanonische Maximum-Entropie-Verteilung ist, ebenfalls eine Maximum-Entropie-Eigenschaft bezüglich einer anderen Randverteilungsbedingung aufweist, was die impliziten Annahmen solcher Modelle verdeutlicht.
Diese Arbeit verbessert die Qualität und Stabilität der synthetischen Tabellendatengenerierung des Modells TabPFN, indem sie kausale Strukturen durch DAG-basierte Konditionierung und CPDAG-Strategien in den autoregressiven Generierungsprozess integriert, um so kausale Effekte zu erhalten und Scheinkorrelationen zu vermeiden.
Die Studie präsentiert eine dreistufige Methode zur Extraktion eines kompakten, hochleistungsfähigen hämatopoetischen Algorithmus aus dem Foundation-Modell scGPT mittels mechanischer Interpretierbarkeit, der ohne erneutes Training des Ziel-Datensatzes die Leistung bestehender Methoden übertrifft und biologisch interpretierbare Genprogramme offenbart.
Die Arbeit stellt DICE-RL vor, ein effizientes Framework, das vortrainierte generative Robotik-Policies durch eine stabile, sample-effiziente Nachjustierung mit Reinforcement Learning in hochleistungsfähige Expertenmodelle verwandelt, um komplexe Manipulationsaufgaben direkt aus Bilddaten zu meistern.