6875 Arbeiten
Die Autoren stellen mit dem Two-Bridge Map Suite eine neue Open-Source-Benchmark für StarCraft II vor, die als intermediäre Testumgebung zwischen dem Vollspiel und Minispielen dient, indem sie ökonomische Mechaniken ausschaltet, um Reinforcement-Learning-Forschung unter realistischeren Rechenbudgets zu ermöglichen.
Diese Arbeit stellt ein Verfahren vor, das den Conditional Randomization Test mit dem Tabular-Foundation-Modell TabPFN kombiniert, um auch bei nichtlinearen und korrelierten Daten finite-stichproben-gültige p-Werte für die Relevanz einzelner Merkmale zu liefern, ohne dass ein erneutes Modelltraining oder parametrische Annahmen erforderlich sind.
Das Paper stellt CapTrack vor, ein rahmenbasiertes Evaluierungssystem, das Vergessen in nachtrainierten LLMs nicht nur als Wissensverlust, sondern als systematische Verhaltensdrift definiert und in einer groß angelegten Studie zeigt, dass insbesondere Instruction Fine-Tuning zu erheblichen Einbußen bei Robustheit und Standardverhalten führt, während Präferenzoptimierung konservativer wirkt.
Die Studie stellt DeepScope vor, ein auf Deep Learning basiertes System, das mikroskopische Bilder von nicht inkubierten Wasserproben analysiert, um Fäkalverunreinigungen in Sekunden mit einer Genauigkeit von 93 % und extrem niedrigen Kosten nachzuweisen und damit herkömmliche, zeitaufwändige Testverfahren zu ersetzen.
Die Studie zeigt, dass sich die Wahrheitstreue von Sprachmodellen in nicht verifizierbaren Domänen durch Abstimmungsmethoden oder die Skalierung der Inferenz nicht verbessern lässt, da die Fehler der Modelle stark korreliert sind und Aggregation stattdessen gemeinsame Missverständnisse verstärkt.
Die Arbeit stellt OptiRoulette vor, einen stochastischen Meta-Optimierer, der durch dynamische Auswahl von Update-Regeln aus einem Pool und speziellen Anpassungsmechanismen die Konvergenzgeschwindigkeit und -zuverlässigkeit im Vergleich zu AdamW auf mehreren Bilddatensätzen signifikant verbessert.
Diese Arbeit schlägt eine einheitliche Darstellung von Diffusionsmodellen und Flow Matching vor und zeigt theoretisch auf, dass die oft schwache Korrelation zwischen verrauschten Daten und dem vorhergesagten Ziel den Lernprozess beeinträchtigen kann.
Die Arbeit stellt einen Annealed Co-Generation-Rahmen vor, der durch die Verwendung von paarweisen Diffusionsmodellen und einem dreistufigen Temperierungsprozess eine effiziente und konsistente multivariate Co-Generierung für wissenschaftliche Anwendungen ermöglicht, ohne die Komplexität einer gemeinsamen Hochdimensionalmodellierung zu erfordern.
Die Arbeit stellt RACER vor, einen risikobewussten, kalibrierten und effizienten Router für große Sprachmodelle, der durch die Formulierung des Routing-Problems als -VOR-Problem und die Ausgabe aggregierbarer Modellsätze eine verteilungsunabhängige Risikokontrolle bei gleichzeitiger Verbesserung der Genauigkeit gewährleistet.
Die Arbeit stellt Evo vor, ein neuartiges Sprachmodell, das autoregressive und diffusionsbasierte Generierung in einem kontinuierlichen evolutionären Rahmen vereint, um durch adaptive Balance zwischen beiden Paradigmen sowohl hohe Generierungsqualität als auch schnelle Inferenz zu erreichen.
Die Autoren stellen einen neuartigen, topologiebewussten Rahmen vor, der durch Kontext-Representation-Learning, Wissensdistillation und einen Graph-Tokeniser für Multiplex-Biologische Netzwerke eine robuste Zero-Shot-Vorhersage von Interaktionen zwischen bisher unbekannten biologischen Entitäten ermöglicht.
Die Arbeit stellt NAT (Not All Tokens Are Needed) vor, ein effizientes Reinforcement-Learning-Framework, das durch das Subsampling und die Neugewichtung von Token-Updates den Rechenaufwand und den Speicherverbrauch bei langen Chain-of-Thought-Trajektorien erheblich reduziert, ohne die Lernleistung zu beeinträchtigen.
Das Paper stellt GraphSkill vor, ein hierarchisches Retrieval-Augmented-Coding-Framework mit einem selbst-debuggenden Agenten, das durch die Ausnutzung der Dokumentenhierarchie und die Generierung von Testfällen die Genauigkeit und Kosteneffizienz bei komplexen Graphen-Reasoning-Aufgaben verbessert.
Die Studie zeigt, dass aktuelle Prozess-Reward-Modelle (PRMs) anfällig für adversarialen Angriff sind, da sie eher Sprachflüssigkeit als logische Korrektheit bewerten, und stellt mit PRM-BiasBench ein Diagnose-Toolkit vor, um diese Schwachstellen vor dem Einsatz zu identifizieren.
Diese Studie zeigt, dass ein Transformer-Modell mit Selbst-Aufmerksamkeitsmechanismen bei der Vorhersage des kurzfristigen Stromlastverbrauchs auf Basis von PJM-Daten ARIMA, LSTM und BiLSTM in Bezug auf Genauigkeit und Robustheit übertrifft.
Diese Arbeit bietet einen umfassenden Überblick über Flow-GRPO, eine Erweiterung der gruppenbasierten Policy-Optimierung für Flow-Matching-Modelle, und analysiert sowohl methodische Weiterentwicklungen als auch deren Anwendung in verschiedenen generativen Domänen wie Bild-, Video- und Sprachsynthese.
Die Arbeit stellt die Exploration Space Theory (EST) vor, ein formales Gittertheorie-Framework für ortsbezogene Empfehlungssysteme, das Abhängigkeiten zwischen Sehenswürdigkeiten modelliert und durch die Exploration Space Recommender System (ESRS) strukturell garantierte, valide nächste Schritte sowie effiziente Pfadgenerierung ermöglicht.
Diese Studie stellt ein auf kollektivem Lernen basierendes Graph-Neuronales-Netzwerk-Modell vor, das die Abhängigkeiten zwischen benachbarten Straßenabschnitten nutzt, um fehlende Daten zur Straßenzustandsbewertung präzise zu ergänzen und so die Verzerrungen durch unvollständige Inspektionsdaten zu minimieren.
Die Arbeit stellt Grouter vor, eine Methode zur Entkopplung des Routings von der Repräsentation durch die Verwendung vorab trainierter Strukturpriors, die das MoE-Training beschleunigt, die Konvergenz stabilisiert und die Datennutzung sowie den Durchsatz signifikant verbessert.
Die Arbeit stellt T-REX vor, eine Transformer-Architektur, die durch innovative Techniken wie dynamische Sequenzaufteilung und kausale Maskierung personalisierte Kategorien für die nächste Einkaufsliste im Online-Lebensmittelhandel vorhersagt und dabei bestehende Systeme signifikant verbessert.