2316 Arbeiten
Dieses Paper stellt eine schnelle Methode vor, die Graph Neural Networks nutzt, um den Konditionszahl von dünnbesetzten Matrizen effizient zu schätzen und dabei eine signifikante Beschleunigung gegenüber klassischen Verfahren wie Hager-Higham und Lanczos erreicht.
Diese Arbeit zeigt, dass exponentiell reward-gewichtetes SFT (Supervised Fine-Tuning) eine robustere, skalierbare und theoretisch fundierte Alternative zu RLHF für generative Empfehlungssysteme darstellt, da es Reward-Hacking vermeidet, keine Propensity-Scores benötigt und den Trade-off zwischen Robustheit und Verbesserung durch einen einzigen interpretierbaren Hyperparameter steuert.
Diese Arbeit stellt ADMM-PnP mit dem neuartigen AC-DC-Denoiser vor, der durch eine dreistufige Korrektur die Diskrepanz zwischen Trainingsdaten und ADMM-Iterationen überbrückt und unter definierten Bedingungen die Konvergenz von Score-basierten Denoisern in ADMM-Rahmenwerken garantiert.
Diese Arbeit stellt eine neue Methode vor, die die verallgemeinerte Singulärwertzerlegung (GSVD) nutzt, um einen interpretierbaren „Winkel-Score" zu berechnen, der für jede einzelne Stichprobe quantifiziert, ob sie eher durch den einen oder den anderen Datensatz geometrisch erklärt wird.
Die Studie stellt Copula-ResLogit vor, ein neuartiges, vollständig interpretierbares Deep-Learning-Framework, das ResNet-Architekturen mit Copula-Modellen kombiniert, um unbeobachtete Störfaktoren in der Verkehrsbedarfsanalyse zu erkennen und zu korrigieren.
Die vorgestellte Arbeit stellt MultiwayPAM vor, eine neue Tensor-Clustering-Methode, die durch die gleichzeitige Schätzung von Clusterzugehörigkeiten und Medoiden für Fragen, Antwortende und Bewerter hilft, die Rechenkosten und die inhärente Verzerrung bei der Bewertung von Texten durch LLMs zu adressieren und die Struktur dieser Bias aufzudecken.
Die Studie zeigt, dass Quantenverschränkung in einem hybriden Quanten-Klassischen-Agenten für das Spiel Pong zu einer konsistenten Leistungssteigerung gegenüber separablen Quantenschaltungen und klassischen neuronalen Netzen führt, was die Verschränkung als wertvolle Ressource für das Repräsentationslernen in kompetitiven Reinforcement-Learning-Szenarien etabliert.
Die Arbeit stellt HyMEM vor, ein hybrides, selbstentwickelndes, graphbasiertes Gedächtnis, das diskrete symbolische Knoten mit kontinuierlichen Embeddings kombiniert, um GUI-Agenten durch strukturierte Mehrhop-Abfragen und dynamische Aktualisierungen zu verbessern und so Open-Source-Modelle mit 7B/8B-Parametern in die Lage zu versetzen, leistungsstarke geschlossene Modelle wie Gemini 2.5 Pro Vision und GPT-4o zu übertreffen.
Das Paper stellt GaLoRA vor, ein parameter-effizientes Framework, das strukturelle Informationen in Large Language Models integriert, um bei der Knotenklassifizierung in textattribuierten Graphen mit nur 0,24 % der Parameter einer vollständigen Feinabstimmung konkurrenzfähige Ergebnisse zu erzielen.
Diese Arbeit stellt ein regimebewusstes In-Context-Learning-Framework vor, das vortrainierte Large Language Models ohne Parameter-Feinabstimmung nutzt, um durch kontextbasiertes Schlussfolgern und bedingtes Sampling von Demonstrationen die Finanzvolatilität unter nichtstationären Marktbedingungen präziser vorherzusagen als klassische Ansätze.
Die Studie entwickelt ein Suchverfahren zur Ermittlung nahezu optimaler Lernraten-Schedules für neuronale Netze und zeigt, dass Warmup und Decay wesentliche Merkmale sind, während gängige Schedules oft suboptimal sind und der Weight Decay einen starken Einfluss auf die ideale Schedules-Form hat.
Die Autoren stellen eine flexible Stichprobenmethode mit stochastischer Beam-Suche für Masked Language Models vor, die durch systematische in silico- und in vitro-Evaluierungen im Bereich der Antikörper-Engineering zeigt, dass die Wahl der Sampling-Methode mindestens genauso entscheidend für den Erfolg ist wie die Wahl des Modells selbst.
Die vorgestellte Arbeit führt datengesteuerte Integrationskerne ein, die das Lernen nichtlokaler Operatoren durch die Trennung der nichtlokalen Informationsaggregation von der lokalen nichtlinearen Vorhersage strukturieren, wodurch die Interpretierbarkeit erhöht und die Anzahl der trainierbaren Parameter bei gleichbleibender Vorhersagegüte für den südasiatischen Monsun drastisch reduziert wird.
Das Paper stellt NasoVoce vor, eine unauffällige, an der Nasenbrücke montierte Schnittstelle, die durch die Fusion von Mikrofon- und Vibrationssensordaten eine robuste und diskrete Spracherkennung für leise und geflüsterte Sprache in lauten Umgebungen ermöglicht.
Das Paper stellt FairFAL vor, ein adaptives Framework für das federierte aktive Lernen, das durch die Analyse von Modellunterschieden und eine prototypengestützte Abfragestrategie die Effektivität unter extremen nicht-IID-Bedingungen und globaler Klassenungleichgewicht signifikant verbessert.
Die Arbeit untersucht das Problem der Identifizierung des besten Arms in nicht-stationären linearen Banditen mit festem Budget, indem sie eine arm-mengenabhängige untere Schranke für die Fehlerwahrscheinlichkeit herleitet und den zugehörigen -Algorithmus vorschlägt, der diese Schranke bis auf Konstanten erreicht.
Das Papier stellt HEAL vor, ein RL-freies Framework zur Wissensdistillation von großen zu kleineren Reasoning-Modellen, das durch die Kombination aus entropiegestützter Fehlerkorrektur, Unsicherheitsfilterung und einem progressiven Lehrplan die Grenzen traditioneller Rejektions-Sampling-Methoden überwindet.
Die Arbeit stellt Causal Concept Graphs (CCG) vor, eine Methode, die sparse Autoencoder mit differentiablem Struktur-Lernen kombiniert, um kausale Abhängigkeiten zwischen Konzepten im latenten Raum von Sprachmodellen zu identifizieren und nachzuweisen, dass graphenbasierte Interventionen die reasoning-Fähigkeiten signifikant effektiver verbessern als bestehende Ansätze.
Diese Arbeit leitet ein skalierbares Gesetz her, das die optimale Aufteilung der Rechenleistung zwischen Experten- und Aufmerksamkeits-Schichten in Mixture-of-Experts-Modellen bestimmt, um die Leistung bei festem Budget zu maximieren und die Chinchilla-Skalierungsgesetze zu erweitern.
Diese Arbeit stellt eine varianzbewusste adaptive Gewichtungsmethode vor, die das Ungleichgewicht im Trainingsprozess von Diffusionsmodellen über verschiedene Rauschpegel hinweg ausgleicht und dadurch auf CIFAR-Datensätzen eine stabilere Optimierung sowie eine verbesserte generative Leistung erzielt.