7020 Arbeiten
Diese Arbeit stellt ein neues, verteilungsfreies Framework für die robuste Trajektorienoptimierung nicht-gaußscher stochastischer Systeme vor, das konforme Inferenz nutzt, um durch statistisch validierte Kontraktionsbedingungen und Konfidenzmengen garantierte Chance-Constraint-Einhaltung ohne übermäßig konservative Annahmen zu ermöglichen.
Die vorgestellte Arbeit entwickelt tiefe generative räumlich-zeitliche Engressionen-Methoden, die durch endogene Unsicherheitsquantifizierung zuverlässige probabilistische Epidemievorhersagen auf niedrigen Frequenzdatensätzen ermöglichen und dabei sowohl in der Genauigkeit als auch in der Erklärungsfähigkeit bestehende Benchmarks übertreffen.
Die vorgestellte Arbeit führt den DualAdam-Optimierer ein, der die Konvergenz von Adam mit dem generalisierungsstärkeren, inversen Update-Mechanismus von InvAdam kombiniert, um durch das mathematisch fundierte Verlassen scharfer Minima die Generalisierungsfähigkeit von Deep-Learning-Modellen zu verbessern.
Die Arbeit stellt einen Tool-basierten, agentic RL-Post-Training-Ansatz mit strukturierter Planung und Chain-of-Thought-Reasoning vor, der durch die Generierung synthetischer Trainingsdaten und Offline-RL-Methoden komplexe Bildstil-Transformationen präziser und interpretierbarer löst als direkte Prompting-Verfahren.
Die Arbeit stellt eine theoretische Analyse der Jacobischen Matrix von Aufmerksamkeitsblöcken vor und führt eine einfache, universell einsetzbare Methode ein, die durch gezielte spektrale Konditionierung die Konditionszahl reduziert und damit die Leistung von Transformer-Modellen signifikant verbessert.
Die Arbeit stellt mit MSKernelBench einen umfassenden Benchmark für verschiedene GPU-Kernel-Szenarien vor und entwickelt CUDAMaster, ein Multi-Agenten-System, das durch hardwarebewusste Optimierung und Profiling signifikante Geschwindigkeitssteigerungen erzielt und dabei etablierte Bibliotheken wie cuBLAS konkurrenzfähig macht.
Die vorgestellte Arbeit stellt eine Methode namens SPCP vor, die die Robustheit von Out-of-Distribution-Erkennung verbessert, indem sie während des Trainings die Abhängigkeit von wenigen dominanten Parametern reduziert und stattdessen eine breitere, dichtere Parameterbeitragsverteilung fördert, um übermäßige Selbstsicherheit bei unbekannten Eingaben zu verhindern.
Diese Arbeit stellt einen dualen Graphen-zeitlichen GNN-Proxy vor, der durch die Kopplung von Knoten- und Element-Ebenen in rekurrenten Graphen-Ästen die nichtlinearen Antwortverläufe von Stahlbetonbalken unter Vier-Punkt-Biegung effizient und präzise vorhersagt und so den hohen Rechenaufwand traditioner nichtlinearer FE-Simulationen für parametrische Studien reduziert.
Die Arbeit stellt wDPO vor, eine robuste Methode zur Ausrichtung von Sprachmodellen, die durch hierarchische Winsorisierung unterschiedliche Rauschtypen in Präferenzdaten gezielt adressiert und so die Stabilität und Qualität der Ausrichtung im Vergleich zu herkömmlichen DPO-Ansätzen verbessert.
Diese Studie stellt ein automatisiertes System zur Segmentierung und Klassifizierung von Darmgeräuschen vor, das mithilfe eines tragbaren Sensors und eines Audio-Spektrogramm-Transformers eine objektive, quantitative Analyse ermöglicht und die manuelle Markierungszeit um etwa 70 % reduziert.
Die Arbeit zeigt, dass marginbasierte Lernbarkeit in beliebigen metrischen Räumen allein durch die Dreiecksungleichung und einen ausreichend großen Abstandsschwellenwert gewährleistet werden kann, ohne lineare Struktur, und dass diese Lernbarkeit nicht immer auf lineare Klassifikation in Banachräumen reduzierbar ist, wobei die Stichprobenkomplexität in unendlich-dimensionalen Räumen polynomial mit dem Kehrwert des Margins skaliert.
Diese Studie stellt die hochqualitativen Datensätze ODA-Fin-SFT-318k und ODA-Fin-RL-12k vor, die durch mehrstufige Distillation und difficulty-aware Sampling erstellt wurden, um ein leistungsfähiges Finanz-LLM zu trainieren, das in neun Benchmarks bestehende Open-Source-Modelle der gleichen Größe übertrifft.
Das Paper stellt LightMedSeg vor, eine leichte 3D-Medizinbild-Segmentierungsarchitektur, die durch anatomische Priors und adaptive Kontextmodellierung eine hohe Genauigkeit bei minimalem Rechenaufwand und nur 0,48 Millionen Parametern erreicht.
Diese Arbeit stellt eine Methode zur konditionalen Rang-Rang-Regression vor, die auf tiefen konditionalen Transformationsmodellen (DCTM) basiert, um die intergenerationale Mobilität unter Berücksichtigung von Kovariaten und für sowohl kontinuierliche als auch diskrete geordnete Ergebnisse präziser zu schätzen und dabei nichtlineare Effekte sowie komplexe Interaktionen zu erfassen.
Die Studie stellt PT-RAG vor, ein neuartiges, zweistufiges Framework zur Vorhersage zellulärer Reaktionen auf Gen-Perturbationen, das durch eine differenzierbare, zelltypbewusste Retrieval-Augmented-Generation-Strategie die Generalisierungsfähigkeit bestehender Deep-Learning-Modelle verbessert und zeigt, dass naive Retrieval-Ansätze in diesem Bereich die Leistung sogar verschlechtern können.
Die Arbeit stellt WeDas vor, ein Framework, das durch die Integration von Suchraum-Strukturmerkmalen und einer Few-Shot-Probing-Mechanik die Ausrichtung zwischen agentenbasierten Suchintentionen und den Ergebnissen dynamischer Web-Indizes verbessert, um die Genauigkeit von Deep-Search-Agenten zu steigern.
Diese Studie stellt das LF2L-Framework vor, eine Methode des horizontalen Federated Learning mit Verlustfusion, die unter Wahrung der Datenschutzrichtlinien externe US-Daten (SEER) mit lokalen taiwanesischen Daten kombiniert, um die Vorhersagegenauigkeit für Zweitkrebserkrankungen bei Lungenkrebsüberlebenden signifikant zu verbessern.
Die vorgestellte Arbeit entwickelt zwei interpretierbare symbolische Lernverfahren (SyNF und SyTF), die aus chaotischen Zeitreihen explizite algebraische Gleichungen ableiten und dabei eine mit modernen Deep-Learning-Modellen konkurrierende Vorhersagegenauigkeit mit wissenschaftlicher Nachvollziehbarkeit verbinden.
Diese Arbeit stellt einen adaptiven Rahmen für die ambulante Terminvergabe vor, der individuelle No-Show-Vorhersagen mit einem multi-objective Reinforcement-Learning-Ansatz kombiniert, um durch eine neuartige Ko-Evolutionsmechanik dynamische Entscheidungen zwischen Einzelbuchung, Doppelbuchung und Ablehnung zu treffen und so Wartezeiten sowie Auslastung zu optimieren.
Die Arbeit stellt Variational Flow Maps vor, ein Framework für die bedingte Generierung, das durch das Lernen einer angepassten Rauschverteilung anstelle des Verfolgens eines iterativen Pfades hochwertige Bilder in einem einzigen Vorwärtsschritt erzeugt und damit inverse Probleme effizient löst.