6955 Arbeiten
Diese Arbeit stellt ein neuartiges Framework vor, das die gemeinsame 3D-Inversion von Schwere- und Magnetfelddaten als rectified flow auf dem Noddyverse-Datensatz formuliert und durch einen Ginzburg-Landau-Regularisierer sowie eine entsprechende Leitmethode eine physikbewusste Modellierung der gesamten Lösungsverteilung ermöglicht.
Die Arbeit charakterisiert die exakte Minimix-Regret-Rate für kontextuellen bilateralen Handel bei Bewertungen mit unendlicher Varianz, indem sie einen epochenbasierten Algorithmus unter Verwendung von abgeschnittenen Mittelwertschätzern vorstellt und dessen Optimalität durch eine passende untere Schranke nachweist.
Die Arbeit stellt \textbf{\texttt{C3}} vor, eine Methode zur kontextuellen kontrafaktischen Kreditvergabe, die in kooperativen Multi-Agenten-Systemen mit großen Sprachmodellen (LLMs) durch die Isolierung des kausalen Einflusses einzelner Nachrichten bei fixiertem Kontext das Problem der ungenauen Kreditvergabe bei spärlichem Feedback löst und so die Leistung verbessert.
Die Arbeit stellt IGLU vor, eine parametrische Aktivierungsfunktion, die als Skalenmischung von GELU-Toren unter einer Halbnormalverteilung abgeleitet wird und durch ihren schweren Cauchy-Schwanz verbesserte Gradientenstabilität sowie eine effiziente rational approximierbare Variante bietet, die auf verschiedenen Datensätzen konkurrenzfähige oder überlegene Ergebnisse gegenüber ReLU und GELU erzielt.
Das Paper stellt SymLang vor, ein Open-Source-Framework, das durch die Kombination von symmetrie-beschränkten Grammatiken, sprachmodellgestützter Programmsynthese und MDL-regulierter Modellauswahl erfolgreich kompakte, physikalisch konsistente Gleichungen aus verrauschten und teilweise beobachteten Daten rekonstruiert und dabei die strukturelle Unsicherheit explizit quantifiziert.
Die Arbeit zeigt, dass stochastische Aufmerksamkeit durch Langevin-Dynamik auf der modernen Hopfield-Energie eine trainingsfreie Methode zur Steuerung zwischen exakter Informationssuche und diverser Generierung ermöglicht, ohne dass ein gelerntes Modell oder Architekturänderungen erforderlich sind.
Diese Studie stellt ein physik-informiertes neuronales Operator-Modell (PINO) vor, das die Retention-Analyse von ferroelektrischen vertikalen NAND-Speichern um mehr als das 10.000-fache im Vergleich zu herkömmlichen TCAD-Simulationen beschleunigt, indem es physikalische Prinzipien in die Lernarchitektur integriert, um die komplexe Wechselwirkung zwischen Ladungsentfesselung und ferroelektrischer Depolarisation effizient zu modellieren.
Der Artikel stellt einen neuen Single-Possibilistic-Clustering-Algorithmus (SPC) vor, der durch die Verwendung gedämpfter Fenster-Fußabdrücke und Kovarianzvereinigung nicht-sphärische Cluster in Datenströmen effizient modelliert und dabei in Bezug auf Reinheit und normalisierte gegenseitige Information andere Streaming-Clustering-Verfahren übertrifft.
Die vorgestellte Arbeit schlägt ein neuartiges Daten-Augmentationsverfahren vor, bei dem ein Large Language Model (LLM) durch Kombination von Referenzoberflächen und Modellierungsprozessen zu komplexeren, industrietauglichen CAD-Programmen angeregt wird, um die geometrische Vielfalt und Qualität der Trainingsdaten für die KI-gestützte CAD-Generierung zu verbessern.
Die Studie zeigt, dass Fairness-Maßnahmen im maschinellen Lernen je nach Verfügbarkeit sensibler Attribute entweder die Ergebnisse benachteiligter Gruppen verbessern oder zu einem „Leveling Down" führen können, bei dem beide Gruppen schlechter dastehen.
Die Arbeit stellt XGenBoost vor, ein Paar generativer Modelle auf XGBoost-Basis, die durch die Kombination von Diffusions- und hierarchischen autoregressiven Ansätzen effizient und kostengünstig hochwertige synthetische tabellarische Daten für kleine und große Datensätze erzeugen.
Das Paper stellt DySECT vor, ein dynamisches System, das durch einen geschlossenen Kreislauf aus Extraktion, Wissensbasis-Erweiterung und Rückkopplung die Informationsgewinnung aus Texten kontinuierlich verbessert.
Die Arbeit stellt CN-CBF vor, eine Methode, die mehrere neuronale Kontrollbarrierefunktionen mittels des Hamilton-Jacobi-Reichbarkeitsrahmens zu einer zusammengesetzten Funktion kombiniert, um Robotern eine sichere Navigation in dynamischen Umgebungen mit deutlich höheren Erfolgsquoten als bestehenden Basismethoden zu ermöglichen.
Die Arbeit stellt NerVE vor, ein einheitliches Rahmenwerk zur Analyse der Eigenspektrum-Dynamik in Feed-Forward-Netzwerken von Large Language Models, das durch vier metrische Kennzahlen zeigt, wie Nichtlinearitäten und Optimierer-Geometrien die Informationsverarbeitung steuern und stabile spektrale Signaturen liefern, die mit der Generalisierungsfähigkeit korrelieren.
Die Arbeit stellt Swimba vor, eine Methode, die Mixture-of-Experts in den Parameterraum von State Space Models integriert, um die Modellkapazität zu erhöhen, ohne die dominanten Rechenkosten der rekurrenten Zustandsaktualisierung zu steigern.
Diese Arbeit stellt physik-konsistente neuronale Netzwerke vor, die unter Berücksichtigung von Cosserat-Elastizität und spezifischen Stabilitätskriterien wie der Quasikonvexität die Deformation und Richtungsvektorfelder in mikrostrukturierten Medien lernen und validieren.
Diese Arbeit stellt Joint MDPs (JMDPs) als formales Rahmenwerk für Umgebungen mit gekoppelten Dynamiken vor, das durch die Spezifizierung gemeinsamer Verteilungen für kontrafaktische Ein-Schritt-Ergebnisse über mehrere Aktionen hinweg die Berechnung von Bellman-Operatoren für Momente höherer Ordnung des Returns ermöglicht und damit dynamische Programmieralgorithmen mit Konvergenzgarantien liefert.
Diese Studie zeigt, dass DNA-Embeddings aus Foundation-Modellen wie Evo 2 und NTv2 durch Inversionsangriffe leicht rekonstruiert werden können, was die Privatsphäre von Genomdaten in „Embeddings-as-a-Service"-Szenarien gefährdet und dringende Maßnahmen für einen privatsphärenbewussten Designansatz erfordert.
Diese Studie zeigt, dass Graphen-Verdünnung als effiziente Vorverarbeitungsstufe nicht nur die Trainings- und Inferenzgeschwindigkeit von Graph Neural Networks bei großen Graphen erheblich steigert, sondern in vielen Fällen sogar die Vorhersagegenauigkeit verbessert oder nur vernachlässigbar beeinträchtigt.
Die Arbeit zeigt, dass Policy-Gradient-Methoden beim Nachtrainieren von linearen autoregressiven Modellen mit Ergebnisbelohnungen eine fundamentale Barriere bezüglich der Unterstützung des Basismodells aufweisen, die durch den Einsatz von Prozessbelohnungen überwunden werden kann, um die Dimensionalität zu vermeiden.