6891 Arbeiten
Diese Studie stellt ein kausales, lecksicheres Verfahren zur Extraktion interpretierbarer Graph-Features für zeitliche Transaktionsnetzwerke vor, das in Kombination mit Transaktionsattributen die Erkennung von Betrugsaktivitäten auf dem Elliptic-Datensatz mit einer ROC-AUC von etwa 0,85 verbessert und gleichzeitig die Nachvollziehbarkeit für Untersuchungsworkflows erhöht.
Die Arbeit führt ein neues Unsicherheitsprinzip im maschinellen Lernen ein, das die unvermeidbare Degenerierung von Heaviside- und Sigmoid-Expansionen beschreibt, bei der schärfere Minima zu flacheren Tälern führen und damit die Optimierung erschweren, was zeigt, dass viele ML-Probleme in der Wissenschaft eher physikalischer als informatischer Natur sind.
Die Studie zeigt, dass die Fähigkeit kleiner Sprachmodelle, Grapheneigenschaften zu inferieren, weniger von der Modellgröße als vielmehr von der strukturerhaltenden Eingabedarstellung und einer mehrstufigen Inferenzstrategie abhängt.
Die Studie stellt SmartBench, den ersten Datensatz für die Bewertung von LLMs in Smart Homes, vor und zeigt, dass aktuelle Modelle trotz ihrer Kontextfähigkeiten bei der Erkennung und Behandlung anomaler Gerätezustände erhebliche Defizite aufweisen.
Die Arbeit stellt HEARTS vor, ein umfassendes Benchmark-System, das die Fähigkeiten von Large Language Models beim hierarchischen Schlussfolgern über diverse Gesundheitszeitreihen bewertet und dabei erhebliche Defizite im Vergleich zu spezialisierten Modellen sowie die Grenzen reiner Skalierung aufzeigt.
Die Arbeit stellt RECAP vor, eine bioinspirierte Lernstrategie, die untrainierte Reservoir-Dynamiken mit einem selbstorganisierenden, hebbischen Prototypen-Lesemechanismus kombiniert, um robuste Bildklassifizierung ohne Fehler-Backpropagation zu ermöglichen.
Die Arbeit zeigt auf, dass pruning-basiertes Unlearning bei Diffusionsmodellen keine echte Sicherheit bietet, da die Positionen der auf Null gesetzten Gewichte als Seitenkanal dienen und das Entfernen von Konzepten durch einen rein daten- und trainingsfreien Angriff vollständig rückgängig gemacht werden kann.
Die Arbeit stellt SR-TTT vor, eine Methode, die Test-Time-Training-Modelle durch eine verlustgesteuerte, sparse Speichermechanik verbessert, die nur hoch überraschende Tokens in einen exakten Attention-Cache leitet, um so die katastrophalen Erinnerungsfehler bei der genauen Wiederholung von Informationen zu beheben, während der O(1)-Speicherbedarf für den Kontext erhalten bleibt.
Dieser umfassende Review-Artikel definiert Quantum Deep Learning (QDL) operational, stellt eine Taxonomie der vier Hauptparadigmen vor, analysiert theoretische Grundlagen und experimentelle Realisierungen auf verschiedenen Hardware-Plattformen, bewertet kritisch Behauptungen zum Quantenvorteil und skizziert eine verifikationsbewusste Roadmap für skalierbare Anwendungen.
Diese Arbeit stellt einen vertrauensbewussten Framework für das Federated Learning vor, der durch adaptive Vertrauensbewertung und Filterung unsicherer Teilnehmer die sichere und robuste Interpretation von Knochenheilungsstadien in dezentralen e-Health-Umgebungen gewährleistet.
Die Studie stellt HURRI-GAN vor, einen auf Generative Adversarial Networks basierenden Ansatz, der physikalische Hurrikan-Simulationsmodelle wie ADCIRC durch KI-gestützte Bias-Korrekturen beschleunigt und gleichzeitig die Vorhersagegenauigkeit auch über die Standorte von Pegelmessstationen hinaus verbessert.
Der Artikel stellt den geodätischen Gradientenabstieg (GGD) vor, einen lernratenfreien Riemannschen Optimierungsalgorithmus, der komplexe Geometrien von Zielfunktionen durch lokale Kugeln approximiert und dabei im Vergleich zu Adam signifikant geringere Fehlerwerte auf verschiedenen Datensätzen erzielt.
Diese Studie untersucht, wie verschiedene Graphkonstruktionstechniken die Leistung von Graph Neural Networks bei der Erkennung von IoT-Botnets beeinflussen, und stellt fest, dass die Gabriel-Graph-Methode mit einer Genauigkeit von 97,56 % die beste Detektionsleistung erzielt.
Die vorgestellte Arbeit stellt PAG (Projection-Augmented Graph) vor, einen neuen Approximate Nearest Neighbor Search-Rahmen, der durch die Integration von Projektionstechniken in Graph-Indizes gleichzeitig hohe Abfragegeschwindigkeit, schnelle Indexierung, geringen Speicherbedarf und Skalierbarkeit für moderne KI-Anwendungen erreicht und dabei HNSW um das Fünffache übertrifft.
Die Arbeit stellt EnsAug vor, eine neuartige Trainingsstrategie für ein Ensemble von Spezialmodellen, die jeweils auf unterschiedlichen geometrischen Datenaugmentierungen basieren, um die Robustheit und Genauigkeit bei der Analyse menschlicher Bewegungssequenzen signifikant zu verbessern und dabei den Grenzen herkömmlicher, gemischter Augmentierungsansätze zu überwinden.
Die Arbeit stellt HyperTokens vor, einen Transformer-basierten Token-Generator, der durch bedarfsgesteuerte Token-Erzeugung und metainspirierte Regularisierung das Vergessen in der kontinuierlichen Video-Fragebeantwortung mit multimodalen LLMs effektiv reduziert und gleichzeitig den Speicherbedarf konstant hält.
Die Arbeit stellt ERP-RiskBench vor, ein leakage-sicheres Ensemble-Learning-Framework zur zuverlässigen Erkennung von Finanzrisiken in ERP-Systemen, das durch eine robuste Datenbasis und strikte Validierungsprotokolle überhöhte Leistungsschätzungen vermeidet und Procurement-Kontrollen als entscheidende Prädiktoren identifiziert.
Die Studie stellt eine unüberwachte CNN-Autoencoder-Methode mit einem neuartigen, gewichteten spektralen Winkelabstands-Verlust vor, um hyperspektrale ATR-μFTIR-Bilder von historischen Ölgemälde-Querschnitten, wie denen des Genter Altars, automatisch und objektiv in ihre spektralen Endmember und deren räumliche Verteilung zu zerlegen.
Diese Arbeit zeigt, dass Graph Neural Networks (GNNs) die Momentum-Schätzung von Myonen im CMS-Experiment im Vergleich zu traditionellen Modellen wie TabNet verbessern und dass die Dimension der Knotenmerkmale entscheidend für die Effizienz des GNN ist.
Diese Arbeit stellt ein hybrides Few-Shot-Learning-Modell vor, das Siamesische und Prototypische Netzwerke mit Explainable AI (Grad-CAM) kombiniert, um Pflanzenkrankheiten bei Mais, Reis und Weizen auch bei begrenzten annotierten Daten mit hoher Genauigkeit und Transparenz zu identifizieren.