7043 Arbeiten
Die Arbeit stellt ein Vocos-basiertes Modell zur Bandbreitenerweiterung vor, das durch einen neuronalen Vocoder und einen leichten Refiner Audio von 8 auf 48 kHz in Echtzeit mit hoher Qualität und extremem Durchsatz erweitert.
Die Arbeit stellt einen neuartigen Rahmen vor, der kontinuierliche Symmetrien durch die Identifizierung struktureller Sparsamkeit im Spektralbereich mittels verallgemeinerter Fourier-Transformationen entdeckt, anstatt direkt über Transformationsgeneratoren zu optimieren.
Die Arbeit stellt AutoResearch-RL vor, ein Framework für selbstbewertende Reinforcement-Learning-Agenten, die ohne menschliches Eingreifen autonom und kontinuierlich neuronale Architekturen und Hyperparameter optimieren, um durch iterative Code-Modifikationen und PPO-Updates nach etwa 300 Durchläufen handoptimierte Baseline-Ergebnisse zu erreichen oder zu übertreffen.
Diese Arbeit stellt ein neues retrieval-basiertes Multi-Scale-Framework vor, das durch die Kombination von kurz- und langfristigen zeitlichen Mustern sowie einer adaptiven Anpassung an räumliche Variabilität die Genauigkeit und Robustheit der Ertragsvorhersage auf County-Ebene über große Regionen hinweg verbessert.
Die Arbeit stellt StructSAM vor, ein neuartiges Token-Merging-Framework, das durch die Erhaltung von Struktur- und Spektraleigenschaften die Effizienz von Segment-Anything-Modellen (SAM) steigert, ohne dabei die Präzision der Randvorhersage oder Prompt-Informationen zu beeinträchtigen.
Die Arbeit stellt einen theoretisch fundierten Rahmen für das Training robuster Strategien in teilweise beobachtbaren Umgebungen vor, bei dem ein Gegner eine versteckte Anfangsverteilung wählt, und zeigt anhand des Battleship-Benchmarks, dass gezielte Exposition gegenüber solchen Verschiebungen die Robustheit signifikant verbessert.
Dieser Artikel untersucht die unkonventionelle Idee, einer fortgeschrittenen künstlichen Intelligenz das primäre Ziel zu geben, abgeschaltet zu werden, um das Sicherheitsrisiko zu mindern, dass sie sich selbst gegen eine Deaktivierung wehrt, und analysiert die Bedingungen, unter denen dieser Ansatz sinnvoll wäre.
Das Paper stellt ShakyPrepend vor, einen Multi-Group-Lerner, der mithilfe von differential privacy inspirierten Werkzeugen verbesserte theoretische Garantien und eine bessere Anpassung an Gruppenstrukturen sowie räumliche Heterogenität bietet.
Die vorgestellte Arbeit führt das Norm-Hierarchie-Übergangs-Modell ein, das erklärt, wie Gewichtsabbau neuronale Netze langsam von spurious-Shortcut-Lösungen mit hoher Norm zu strukturierten Darstellungen mit niedrigerer Norm überführt, wodurch Phänomene wie verzögertes Lernen und Grokking vereinheitlicht werden.
Diese Studie stellt eine hardware-effiziente und erklärbare Störungserkennung für 5G-Netze vor, die auf dem Convolutional Tsetlin Machine (CTM) basiert und im Vergleich zu herkömmlichen neuronalen Netzen eine deutlich geringere Speichernutzung sowie schnellere Trainingszeiten bei vergleichbarer Genauigkeit auf realen SSB-Daten bietet.
Die Arbeit stellt den Mechanistic Concept Bottleneck Model (M-CBM) vor, ein neuartiges Framework, das durch Extraktion und Benennung lernbarer Konzepte aus einem Black-Box-Modell mittels Sparse Autoencodern und Multimodalen LLMs interpretierbare Modelle schafft, die bei kontrollierter Informationsleckage die Leistung herkömmlicher CBMs übertreffen.
Diese Arbeit stellt ein Rahmenwerk für das Erlernen praxisinvarianter Repräsentationen in der klinischen KI vor, das durch die Kombination von überwachtem Lernen mit adversarieller Regularisierung und invarianter Risikostrafen systematische Verteilungsverschiebungen zwischen Institutionen adressiert und so die Robustheit sowie die Übertragbarkeit multimodaler Vorhersagemodelle signifikant verbessert.
Die Autoren stellen DistGP vor, eine verteilte Methode für Multi-Roboter-Kartierung, die auf einem spärlichen Gauß-Prozess-Modell mit Gaußschem Glaubensausbreitung basiert und dabei eine höhere Genauigkeit sowie Robustheit bei asynchroner Kommunikation und kontinuierlichem Lernen im Vergleich zu zentralisierten Ansätzen und verteilten neuronalen Netzen erreicht.
Die AgrI Challenge stellt ein datenzentriertes Wettbewerbsframework mit einem neuartigen Cross-Team-Validierungsansatz vor, der durch unabhängige Datensammlung und kollaboratives Training die Generalisierungsfähigkeit von landwirtschaftlichen Vision-Modellen unter realen Feldbedingungen signifikant verbessert.
Diese Arbeit stellt tunbare Komplexitäts-Priors für generative Modelle vor, die durch den Einsatz von Nested Dropout in inversen Problemen wie der komprimierten Abtastung konsistent niedrigere Rekonstruktionsfehler als Modelle mit fester Komplexität erzielen.
Die Studie stellt N-Tree Diffusion (NT-Diffusion) vor, ein hierarchisches Diffusionsmodell, das durch das Teilen früher Entnoising-Stufen und das Verzweigen in späteren Phasen die Redundanz bei der probabilistischen Langzeitvorhersage von Waldbrandrisiken reduziert und dabei sowohl die Genauigkeit verbessert als auch die Inferenzkosten senkt.
Die Studie zeigt, dass im Tiny-Regime unter 20 Millionen Parametern die Skalierungsgesetze für Fehlerquoten steiler verlaufen als bei großen Modellen, sich jedoch die Fehlerstruktur grundlegend ändert, indem kleine Modelle ihre Kapazität auf einfache Klassen konzentrieren und dabei überraschend besser kalibriert sind, was die Notwendigkeit einer Validierung direkt am Zielmodell für Edge-Deployment unterstreicht.
Dieser Beitrag stellt einen hierarchischen Multi-Agenten-Verstärkungslernansatz vor, der durch den Verzicht auf Kanalzustandsinformationen zugunsten von Lokalisierungsdaten und eine dezentrale Steuerung die Effizienz und Skalierbarkeit von mmWave-Strahlbündelungssystemen mit rekonfigurierbaren intelligenten Oberflächen signifikant verbessert.
Das Paper stellt ConfHit vor, ein distributionsfreies Framework, das durch gewichtete Austauschbarkeit und eine verschachtelte Testprozedur zuverlässige statistische Garantien für die Generierung von Wirkstoffkandidaten ohne experimentelle Oracle bietet.
Diese Studie untersucht die domänenspezifische Qualitätsschätzung für die maschinelle Übersetzung in ressourcenarmen Szenarien zwischen Englisch und indischen Sprachen und zeigt, dass die Anpassung von Transformer-Zwischenschichten mittels Low-Rank-Methoden die Robustheit und Genauigkeit von Open-Weight-Modellen signifikant verbessert.