cs.LG Arbeiten | Gist.Science

Analysis-Driven Procedural Generation of an Engine Sound Dataset with Embedded Control Annotations

Die Autoren stellen einen analysebasierten Rahmen zur Generierung eines öffentlichen Datensatzes mit prozedural erzeugten Motorengeräuschen und präzisen Betriebszustands-Annotationen vor, der durch die Extraktion harmonischer Strukturen aus realen Aufnahmen und deren Weiterverarbeitung in einem parametrischen Synthesizer die Lücke bei kostengünstigen, sauberen Trainingsdaten für die akustische Modellierung und neuronale Synthese schließt.

Robin Doerfler, Lonce Wyse2026-03-10🤖 cs.LG

Models as Lego Builders: Assembling Malice from Benign Blocks via Semantic Blueprints

Die Studie stellt „StructAttack" vor, einen neuen Black-Box-Angriff auf Large Vision-Language Models, der durch die Umwandlung schädlicher Anfragen in scheinbar harmlose strukturierte visuelle Prompts (wie Mindmaps oder Tabellen) Sicherheitsmechanismen umgeht und so das Modell dazu bringt, aus benignen Bausteinen schädliche Inhalte zu generieren.

Chenxi Li, Xianggan Liu, Dake Shen, Yaosong Du, Zhibo Yao, Hao Jiang, Linyi Jiang, Chengwei Cao, Jingzhe Zhang, RanYi Peng, Peiling Bai, Xiande Huang2026-03-10🤖 cs.LG

Shorter Thoughts, Same Answers: Difficulty-Scaled Segment-Wise RL for CoT Compression

Die vorgestellte Arbeit stellt DSS-GRPO vor, einen RL-basierten Ansatz, der durch segmentweise, schwierigkeitsskalierte Belohnungen die Chain-of-Thought-Verknappung ermöglicht, ohne dabei die Qualität der eigentlichen Antwort zu beeinträchtigen.

Ye Tian, Aijun Liu2026-03-10🤖 cs.LG

MetaSort: An Accelerated Approach for Non-uniform Compression and Few-shot Classification of Neural Spike Waveforms

Die Arbeit stellt MetaSort vor, einen neuartigen Algorithmus, der durch die Kombination einer adaptiven Level-Crossing-Komprimierung und metatransferlernbasierter geometrischer Merkmalsrepräsentation sowohl eine hocheffiziente Kompression als auch eine robuste Few-Shot-Klassifizierung von neuronalen Spike-Wellenformen ermöglicht.

Luca M. Meyer, Majid Zamani2026-03-10🤖 cs.LG

TT-Sparse: Learning Sparse Rule Models with Differentiable Truth Tables

Die Arbeit stellt TT-Sparse vor, ein neuronales Bauelement, das mittels differenzierbarer Wahrheitstabellen und eines neuen weichen TopK-Operators lernbare, sparse Regelmodelle ermöglicht, die sowohl hohe Vorhersagegenauigkeit als auch vollständige globale Interpretierbarkeit durch exakte Umwandlung in Boolesche Formeln bieten.

Hans Farrell Soegeng, Sarthak Ketanbhai Modi, Thomas Peyrin2026-03-10🤖 cs.LG

MAS-H2: A Hierarchical Multi-Agent System for Holistic Cloud-Native Autoscaling

Die Studie stellt MAS-H2 vor, ein hierarchisches Multi-Agenten-System für Kubernetes, das durch die Integration von Geschäftsstrategien, proaktiver Planung und Ausführung die reaktiven Grenzen nativer Autoscaler überwindet und so in dynamischen Szenarien signifikant weniger Ressourcenverschwendung sowie eine höhere Stabilität und Zero-Downtime-Migration ermöglicht.

Hamed Hamzeh, Parisa Vahdatian2026-03-10🤖 cs.LG

Compression as Adaptation: Implicit Visual Representation with Diffusion Foundation Models

Diese Arbeit stellt ein neues Framework vor, das visuelle Signale als Funktionen parametrisiert, die auf einem eingefrorenen Diffusions-Grundmodell basieren, um durch Hashing in kompakte Vektoren eine extrem effiziente Videokompression zu ermöglichen und gleichzeitig die Brücke zwischen Kompression und Generierung zu schlagen.

Jiajun He, Zongyu Guo, Zhaoyang Jia, Xiaoyi Zhang, Jiahao Li, Xiao Li, Bin Li, José Miguel Hernández-Lobato, Yan Lu2026-03-10🤖 cs.LG

SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control

Die vorgestellte Studie stellt SMAT vor, ein vierstufiges Multi-Agenten-Trainingsverfahren, das durch die Nachahmung der natürlichen menschlichen Anpassung an tragbare Geräte eine stabile und effektive Ko-Adaptation zwischen Benutzer und Hüft-Exoskelett ermöglicht, was zu einer signifikanten Reduktion der Muskelaktivierung und konsistenten positiven mechanischen Leistung ohne subjektspezifisches Nachtrainieren führt.

Yifei Yuan, Ghaith Androwis, Xianlian Zhou2026-03-10🤖 cs.LG

Accelerating Diffusion Models for Generative AI Applications with Silicon Photonics

Die Studie stellt einen neuartigen siliziumphotonischen Beschleuniger vor, der Diffusionsmodelle für generative KI-Anwendungen im Vergleich zu aktuellen elektronischen Lösungen um den Faktor 3 bei der Energieeffizienz und um den Faktor 5,5 beim Durchsatz verbessert.

Tharini Suresh, Salma Afifi, Sudeep Pasricha2026-03-10🤖 cs.LG

Exoskeleton Control through Learning to Reduce Biological Joint Moments in Simulations

Diese Arbeit stellt einen Reinforcement-Learning-Rahmen zur Entwicklung von Exoskelett-Steuerungen vor, die biologische Gelenkmomente reduzieren, und validiert deren Leistung mittels eines offenen Gait-Datensatzes, wobei eine hohe Übereinstimmung der simulierten Drehmomente mit realen Daten, insbesondere im Hüftbereich, nachgewiesen wird.

Zihang You, Xianlian Zhou2026-03-10🤖 cs.LG

Helix: Evolutionary Reinforcement Learning for Open-Ended Scientific Problem Solving

Das Paper stellt HELIX vor, ein hierarchisches evolutionäres Reinforcement-Learning-Framework mit In-Context-Erfahrungen, das durch die Kombination einer vielfältigen Lösungspool-Generierung und einer iterativen Politikverfeinerung komplexe, offene wissenschaftliche Probleme effizienter löst und dabei sowohl beim Circle-Packing-Problem als auch auf Standard-Machine-Learning-Benchmarks neue Bestleistungen erzielt.

Chang Su, Zhongkai Hao, Zhizhou Zhang, Zeyu Xia, Youjia Wu, Hang Su, Jun Zhu2026-03-10🤖 cs.LG

Evaluating Synthetic Data for Baggage Trolley Detection in Airport Logistics

Die Studie stellt eine auf NVIDIA Omniverse basierende synthetische Datenpipeline für die Erkennung von Gepäckwagen im Flughafen Algier vor und zeigt, dass eine Kombination aus synthetischen Daten und nur 40 % realer Annotationen die Leistung eines reinen Real-Daten-Modells erreicht oder übertrifft, während der Annotationsaufwand um 25 bis 35 % reduziert wird.

Abdeldjalil Taibi, Mohmoud Badlis, Amina Bensalem, Belkacem Zouilekh, Mohammed Brahimi2026-03-10🤖 cs.LG

Compressed Proximal Federated Learning for Non-Convex Composite Optimization on Heterogeneous Data

Der Artikel stellt FedCEF vor, einen neuartigen Algorithmus für die nicht-konvexe federierte Optimierung auf heterogenen Daten, der durch eine entkoppelte Proximal-Aktualisierung, einen Fehler-Rückkopplungsmechanismus und eine effiziente Downlink-Strategie sowohl Kommunikationskosten bei extremen Kompressionsraten als auch Konvergenzprobleme bei nicht-glatten Regularisierern effektiv adressiert.

Pu Qiu, Chen Ouyang, Yongyang Xiong, Keyou You, Wanquan Liu, Yang Shi2026-03-10🤖 cs.LG

Partial Differential Equations in the Age of Machine Learning: A Critical Synthesis of Classical, Machine Learning, and Hybrid Methods

Diese kritische Synthese untersucht klassische numerische und maschinelle Lernverfahren zur Lösung partieller Differentialgleichungen durch einen einheitlichen Bewertungsrahmen, der ihre epistemologischen Unterschiede hervorhebt und Prinzipien für hybride Ansätze sowie eine Einschätzung zukünftiger technologischer Frontiers entwickelt.

Mohammad Nooraiepour, Jakub Wiktor Both, Teeratorn Kadeethum, Saeid Sadeghnejad2026-03-10🤖 cs.LG

Beyond Surrogates: A Quantitative Analysis for Inter-Metric Relationships

Diese Arbeit schlägt ein einheitliches theoretisches Rahmenwerk vor, das mithilfe von Bayes-optimalen Mengen und Regret-Transfer die quantitativen Beziehungen zwischen verschiedenen Evaluationsmetriken analysiert, um die Diskrepanz zwischen Offline-Metriken und Online-Leistung zu überbrücken und theoretisch abgesicherte Evaluierungssysteme zu ermöglichen.

Yuanhao Pu, Defu Lian, Enhong Chen2026-03-10🤖 cs.LG

Mitigating the Memory Bottleneck with Machine Learning-Driven and Data-Aware Microarchitectural Techniques

Diese Dissertation schlägt vor, den Engpass im Speichersystem durch den Übergang von datenagnostischen zu dateninformierten Mikroarchitektur-Techniken zu überwinden, die maschinelles Lernen und semantische Datenmerkmale nutzen, um Leistung und Energieeffizienz signifikant zu steigern.

Rahul Bera2026-03-10🤖 cs.LG

Scalable Training of Mixture-of-Experts Models with Megatron Core

Dieser Bericht stellt das Megatron Core-Framework vor, das durch integrierte Optimierungen in den Bereichen Speicher, Kommunikation und Berechnung sowie Unterstützung für parallele Verfahren und niedrige Präzision das skalierbare Training von Mixture-of-Experts-Modellen auf Tausenden von GPUs ermöglicht und dabei hohe Rechenleistung auf NVIDIA-Hardware erreicht.

Zijie Yan (NVIDIA), Hongxiao Bai (NVIDIA), Xin Yao (NVIDIA), Dennis Liu (NVIDIA), Tong Liu (NVIDIA), Hongbin Liu (NVIDIA), Pingtian Li (NVIDIA), Evan Wu (NVIDIA), Shiqing Fan (NVIDIA), Li Tao (NVIDIA), Robin Zhang (NVIDIA), Yuzhong Wang (NVIDIA), Shifang Xu (NVIDIA), Jack Chang (NVIDIA), Xuwen Chen (NVIDIA), Kunlun Li (NVIDIA), Yan Bai (NVIDIA), Gao Deng (NVIDIA), Nan Zheng (NVIDIA), Vijay Anand Korthikanti (NVIDIA), Abhinav Khattar (NVIDIA), Ethan He (NVIDIA), Soham Govande (NVIDIA), Sangkug Lym (NVIDIA), Zhongbo Zhu (NVIDIA), Qi Zhang (NVIDIA), Haochen Yuan (NVIDIA), Xiaowei Ren (NVIDIA), Deyu Fu (NVIDIA), Tailai Ma (NVIDIA), Shunkang Zhang (NVIDIA), Jiang Shao (NVIDIA), Ray Wang (NVIDIA), Santosh Bhavani (NVIDIA), Xipeng Li (NVIDIA), Chandler Zhou (NVIDIA), David Wu (NVIDIA), Yingcan Wei (NVIDIA), Ashwath Aithal (NVIDIA), Michael Andersch (NVIDIA), Mohammad Shoeybi (NVIDIA), Jiajie Yao (NVIDIA), June Yang (NVIDIA)2026-03-10🤖 cs.LG

Global Convergence of Average Reward Constrained MDPs with Neural Critic and General Policy Parameterization

Diese Arbeit stellt einen primal-dualen Natural Actor-Critic-Algorithmus mit neuronalen Kritikern vor, der erstmals die globale Konvergenz und begrenzte Verletzung von Nebenbedingungen für Constrained MDPs mit allgemeinen Policy-Parametrisierungen und mehrschichtigen neuronalen Netzen unter Verwendung der Neural Tangent Kernel-Theorie garantiert.

Anirudh Satheesh, Pankaj Kumar Barman, Washim Uddin Mondal, Vaneet Aggarwal2026-03-10🤖 cs.LG

Step-Size Decay and Structural Stagnation in Greedy Sparse Learning

Diese Arbeit untersucht aus der Perspektive des spärlichen Lernens, wie übermäßig schnell abklingende Schrittweiten in gierigen Algorithmen selbst in niedrigdimensionalen Settings zu struktureller Stagnation führen, und leitet dabei unter Berücksichtigung der Feature-Kohärenz explizite untere Schranken für das Residuum ab.

Pablo M. Berná2026-03-10🤖 cs.LG

Deep Incentive Design with Differentiable Equilibrium Blocks

Die Arbeit stellt Deep Incentive Design (DID) vor, ein differenzierbares Framework, das game-agnostische differentiable equilibrium blocks (DEBs) nutzt, um komplexe Anreizdesign-Probleme in Wirtschaft und Informatik durch das Training eines einzigen neuronalen Netzwerks zu lösen.

Vinzenz Thoma, Georgios Piliouras, Luke Marris2026-03-10🤖 cs.LG

← Zurück Weiter →