7103 Arbeiten
Die vorgestellte Arbeit überwindet die durch Bistatik bedingten Phasenverschiebungen in der drahtlosen Sensierung, indem sie erstmals eine quantitative Abbildung zwischen verzerrten Kanalverhältnissen und idealen Kanaleigenschaften herleitet und so eine robuste Methode zur Rekonstruktion subwellenlängiger Zielverschiebungen mit nahezu zehnfacher Genauigkeitssteigerung ermöglicht.
Die vorgestellte Arbeit entwickelt ein verbessertes Random-Subspace-Local-Projection-Framework, das durch gewichtete Subraum-Aggregation, kategoriebasierte Stichprobenziehung und adaptive Größenanpassung stabile Impulsantwort-Schätzungen in hochdimensionalen Zeitreihen ermöglicht und gleichzeitig die Variabilität der Schätzer verringert sowie zuverlässige Bootstrap-Inferenzverfahren bereitstellt.
Die Arbeit stellt BoT (Bidirectional knowledge Transfer) vor, ein einheitliches, größenunabhängiges Framework, das bidirektionales Skalieren von Modellen durch die Behandlung von Gewichten als kontinuierliche Signale und den Einsatz der diskreten Wavelet-Transformation ermöglicht, wodurch erhebliche Rechenkosten eingespart und gleichzeitig state-of-the-art Ergebnisse auf verschiedenen Benchmarks erzielt werden.
Die Arbeit stellt OCLADS vor, ein neuartiges Kommunikationsframework für die kontinuierliche Anomalieerkennung im IoT, das durch intelligente Stichprobenauswahl am Gerät und eine Verteilungsverschiebungserkennung am Edge-Server effiziente Modellaktualisierungen in nicht-stationären Umgebungen ermöglicht.
Diese Arbeit stellt eine einheitliche Theorie vor, die Drifting-Modelle als score-basierte Methode auf kernel-gesättigten Verteilungen interpretiert und zeigt, dass der Drift-Feld für Gauß-Kerne exakt der Score-Differenz entspricht, während für Laplace-Kerne präzise Fehlerabschätzungen für niedrige Temperaturen und hohe Dimensionen hergeleitet werden.
Diese Studie stellt einen auf Reinforcement Learning basierenden Rahmen zur autonomen Optimierung von Reinigungsintervallen für Photovoltaik-Module in ariden Regionen vor, der durch den Einsatz von PPO-Algorithmen im Vergleich zu herkömmlichen Methoden bis zu 13 % Kosteneinsparungen bei der Bewältigung von Wetterunsicherheiten erzielt.
Die Arbeit stellt ein datenschutzfreundliches Framework für konforme Vorhersagen vor, das durch den Einsatz von Differential Privacy auf die gesamte Datenmenge verzichtet, anstatt diese aufzuteilen, und so präzisere Vorhersagemengen bei garantierter Abdeckung ermöglicht.
Das Papier stellt FRONT vor, ein neuartiges Framework, das die Discrete Cosine Transform nutzt, um das in den niederfrequenten Gewichtsanteilen eines Modells enthaltene, aufgabenunabhängige Wissen („Learngene") zu extrahieren und damit Modelle beliebiger Größe ohne Training initialisieren zu können, was zu einer signifikanten Beschleunigung der Konvergenz und einer Reduzierung des Trainingsaufwands führt.
Die vorgestellte Arbeit schlägt ein auf neuronaler Dynamik basierendes vortrainiertes Framework vor, das durch die Extraktion personalisierter Aktivitätsmuster und die Vermeidung starrer Atlanten die Grenzen bestehender Methoden zur Konstruktion personalisierter funktioneller Hirnnetzwerke in heterogenen Szenarien überwindet.
Die vorgestellte Studie entwickelt einen datengesteuerten Surrogatmodell-Ansatz, der Faltungs-Autoencoder mit neuronalen gewöhnlichen Differentialgleichungen kombiniert, um die rechenintensive Simulation der laserinduzierten Zündung von Raketentriebwerken durch schnelle, physikalisch fundierte Vorhersagen im latenten Raum zu ersetzen und so eine effiziente Exploration des Parameterraums sowie die Entwicklung digitaler Zwillinge zu ermöglichen.
Die Arbeit stellt Obliviator vor, eine iterative Nachbearbeitungsmethode zum Konzept-Erasure, die nichtlineare Abhängigkeiten erfasst, um den Schutz vor nichtlinearen Angreifern mit einer besseren Erhaltung der Nützlichkeit zu verbinden und dabei die Kosten dieses Trade-offs zu quantifizieren.
Das Paper stellt DreamSAC vor, ein Framework, das durch eine unsupervisierte Symmetrie-Exploration mit Hamilton-basiertem Neugier-Anreiz und einem Hamilton-basierten Weltmodell physikalische Invarianzen lernt, um die Extrapolationsfähigkeit von Agenten in 3D-Physiksimulationen signifikant zu verbessern.
Die Arbeit stellt COOL-MC als Werkzeug vor, das mittels probabilistischer Modellprüfung und Erklärbarkeitstechniken die Sicherheit und Entscheidungsfindung von Reinforcement-Learning-Richtlinien für die Wartung heterogener Brückennetzwerke formal verifiziert und analysiert.
Diese Arbeit zeigt, dass eine datenzentrierte Herangehensweise mit sorgfältiger Vorverarbeitung, Klassenbalancierung und einer vereinfachten CNN-VAE-Architektur auf dem PTB-XL-Datensatz eine wettbewerbsfähige EKG-Klassifizierung mit deutlich reduziertem Modellkomplexität erreicht.
Die vorgestellte GRD-Net-Architektur kombiniert einen generativen Residual-Autoencoder mit einem diskriminativen Segmentierungsnetzwerk, das mittels eines Region-of-Interest-Moduls Anomalien gezielt in relevanten Bildbereichen erkennt und so herkömmliche, datensatzabhängige Nachverarbeitungsschritte überflüssig macht.
Diese Studie zeigt, dass der als State-of-the-Art geltende LiRA-Membership-Inference-Angriff unter realistischen Bedingungen wie Anti-Overfitting-Maßnahmen, kalibrierten Schwellenwerten und unausgewogenen Prioritäten deutlich weniger effektiv ist als bisher angenommen, was die Notwendigkeit realistischerer Evaluierungsprotokolle für den Datenschutz unterstreicht.
Diese Arbeit stellt einen neuartigen generativen neuronalen Solver für Fahrzeug-Routing-Probleme vor, der ein Diffusionsmodell zur Ableitung einer Constraints-Matrix nutzt, um die Robustheit und Leistungsfähigkeit autoregressiver Modelle über heterogene Verteilungen hinweg zu verbessern und dabei State-of-the-Art-Ergebnisse auf umfangreichen Benchmark-Datensätzen erzielt.
Diese Studie bietet einen systematischen Vergleich verschiedener Trainingsziele für die Erkennung von Out-of-Distribution-Daten in der Bildklassifizierung und stellt fest, dass die Kreuzentropie-Verlustfunktion im Vergleich zu Prototyp-, Triplet- und Average-Precision-Verlusten die konsistenteste Gesamtleistung bei der Erkennung sowohl naher als auch entfernter OOD-Daten liefert.
Das Paper stellt TS-MLLM vor, ein einheitliches Framework auf Basis multimodaler Large Language Models, das durch die Integration von zeitlichen Signalen, Frequenzbereichsbildern und textuellem Domänenwissen mittels spezieller Mechanismen wie SVLMA und TMAF die Genauigkeit und Robustheit der industriellen Zeitreihenanalyse für das Prognostics and Health Management (PHM) signifikant verbessert.
Die vorgestellte Arbeit stellt ein halbüberwachtes, auf einem generativen adversariellen Netzwerk mit Residual-Autoencoder basierendes Anomalieerkennungssystem vor, das speziell für die Echtzeit-Inspektion auf einer hochgeschwindigkeits Blow-Fill-Seal-Produktionslinie in der Pharmaindustrie entwickelt wurde und dabei hohe Genauigkeit bei strengen Zeit- und Hardwareanforderungen gewährleistet.