7103 Arbeiten
Die Arbeit stellt Reverse Distillation vor, ein Framework, das Protein-Sprachmodelle durch die Zerlegung ihrer Repräsentationen in orthogonale Unterräume so optimiert, dass größere Modelle konsistent besser abschneiden als kleinere, indem sie die von kleineren Modellen erlernten allgemeinen Merkmale bewahren und zusätzliche Informationen orthogonal hinzufügen.
Dieses Papier stellt einen leichtgewichtigen, vollständig online arbeitenden Model-Predictive-Control-Rahmen vor, der mittels isotonischer Regression auf Streaming-Daten bidirektionale Modelle für Markenwerbung erstellt und so im Vergleich zu Baseline-Strategien die Ausgaben-effizienz und Kostenkontrolle erheblich verbessert.
Die Arbeit stellt FedShift vor, eine neuartige zweistufige „Verstecken und Finden"-Angriffsmethode auf das verteilte Federated Graph Learning, die durch das Einbringen eines versteckten „Shifters" und die nachfolgende gezielte Suche nach Adversarial-Perturbationen eine hohe Angriffseffektivität bei gleichzeitiger Umgehung gängiger Verteidigungsmechanismen und einer drastischen Reduzierung der Rechenzeit erreicht.
Die Arbeit stellt ein Unsicherheits-gesteuertes generatives Modell (UGGM) vor, das Unsicherheit als internen Kontrollmechanismus nutzt, um die Repräsentation, Propagation und Generierung zu steuern, und dadurch durch eine signifikante Reduktion des MSE-Fehlers und verbesserte Robustheit bei Schocks die risikosensitive Finanzzeitreihenvorhersage erheblich verbessert.
Die Autoren stellen den neuen SMT-Solver GANRA vor, der durch die Kombination von Large Language Models und GPU-Beschleunigung nichtlineare reelle Arithmetik-Probleme signifikant effizienter löst als der aktuelle Stand der Technik.
Die Arbeit stellt MicroCoder-GRPO vor, einen verbesserten Reinforcement-Learning-Ansatz mit drei Innovationen zur Überwindung von Trainingsengpässen bei Code-Modellen, der in Kombination mit einem neuen Datensatz und einem optimierten Evaluierungsframework signifikante Leistungssteigerungen auf LiveCodeBench v6 erzielt und dabei zeigt, dass sorgfältig trainierte Modelle mit größeren Modellen konkurrieren können.
Die vorgestellte Methode nutzt neuronale Differentialgleichungen und Maximum-Likelihood-Schätzung auf transienten Pauli-Messdaten, um die Dynamik offener Quantensysteme (Lindbladian-Lernen) auch bei starkem Rauschen und verschiedenen Systemgrößen effizient und robust zu rekonstruieren.
Die Studie stellt das MicroCoder-Dataset vor, das durch einen systematischen vierstufigen Verarbeitungsprozess und eine KI-gestützte Schwierigkeitsfilterung aus aktuellen Wettbewerbsaufgaben besteht und nachweislich die Leistung von Code-Generierungsmodellen bei komplexen Aufgaben im Vergleich zu herkömmlichen Datensätzen signifikant verbessert.
Der Artikel stellt ProgAgent vor, einen kontinuierlichen Reinforcement-Learning-Agenten, der durch die Kombination von fortschrittsbasierten Belohnungen aus ungelabelten Expertenvideos, einer adversativen Regularisierung zur Vermeidung von Überanpassung und einer hocheffizienten JAX-Architektur das Vergessen verhindert und das robotische Lernen aus wenigen Demonstrationen erheblich verbessert.
Diese Arbeit untersucht das Phänomen des Plastizitätsverlusts bei Vision Transformern, identifiziert Instabilitäten in den Aufmerksamkeits- und Feed-Forward-Modulen als Hauptursache und stellt ARROW vor, einen geometriebewussten Optimierer, der durch adaptive Anpassung der Gradientenrichtung die Plastizität erhält und die Anpassungsfähigkeit an neue Aufgaben verbessert.
Diese Studie zeigt mittels des effizienten MO-IRL-Algorithmus, dass eine einzige, subjekt- und haltungsunabhängige zeitvariierende Kostenfunktion menschliche Greifbewegungen präziser vorhersagen kann als bisherige, spezifischere Ansätze, wobei die Gelenkbeschleunigungsregulierung als dominierender Optimierungsmechanismus identifiziert wird.
Diese Arbeit stellt ein Deep-Learning-Framework vor, das komplexe projektive Räume zur parametrisierung von Kanälen und Precodern in MU-MISO-Systemen nutzt, um durch die Eliminierung globaler Phasenredundanzen die Summenratenleistung und Generalisierungsfähigkeit im Vergleich zu herkömmlichen Methoden signifikant zu verbessern.
Diese Arbeit stellt eine Methode vor, die Physics-Informed Neural Networks mit einem Multi-Head-Setup und orthogonality-bedingten PCA-Analysen kombiniert, um einen robusten, niedrigdimensionalen Einbettungsraum für die nichtlineare Burgers-Gleichung zu konstruieren, der die Dynamik durch wenige dominante Moden effizient erfasst.
Die Studie zeigt, dass bei der Schätzung von Weidebiomasse auf kleinen Datensätzen einfache, lokale Fusionsmodule (wie gatede Tiefenkonvolutionen) komplexe Architekturen wie SSMs oder Cross-View-Attention-Transformer übertreffen und die Qualität des Backbone-Modells den entscheidenden Einflussfaktor darstellt.
Die vorgestellte Arbeit entwickelt ein Transfer-Learning-Framework mit zwei Optimierungsstufen, das einen universellen Merkmalsextraktor und einen domänenspezifischen Adapter kombiniert, um bei unterabgetasteten MRT-Bildern auch mit begrenzten Trainingsdaten hochwertige Rekonstruktionen zu erzielen.
Die vorgestellte Arbeit stellt Gradient Iterated Temporal-Difference Learning vor, eine stabile Variante des iterierten TD-Lernens, die durch die Berechnung von Gradienten über bewegte Ziele eine mit semi-gradienten Methoden konkurrierende Lerngeschwindigkeit erreicht und dabei erstmals Gradient-TD-Methoden erfolgreich auf Atari-Spielen demonstriert.
Die Arbeit stellt eine leichte, gradientenfreie Methode für diffusionsbasierte Null-Shot-Inferenz bei inversen Problemen vor, die den Rechenaufwand drastisch senkt und gleichzeitig beste Ergebnisse liefert.
Die Arbeit stellt ReGEN-TAD vor, ein interpretierbares generatives Framework, das moderne maschinelles Lernen mit ökonometrischen Diagnoseverfahren kombiniert, um Anomalien in hochdimensionalen Finanzzeitreihen durch die Aggregation mehrerer Signale wie Vorhersageinkonsistenzen und Rekonstruktionsverschlechterungen robust und ohne gelabelte Daten zu erkennen.
Die vorgestellte Arbeit präsentiert eine robuste, sprachgesteuerte Greifpipeline für mobile Beinmanipulatoren, die durch die Kombination von VLM-basierter Objekterkennung, Punktwolken-Vervollständigung bei Verdeckungen und sicherheitsorientierten Heuristiken eine signifikant höhere Erfolgsrate in unstrukturierten Umgebungen im Vergleich zu herkömmlichen, sichtungsabhängigen Ansätzen erreicht.
Der Artikel stellt die „Sleep Replay Consolidation" (SRC) vor, eine post-training-Methode, die durch biologischen Schlaf inspirierte interne Replays die Kalibrierung künstlicher neuronaler Netze verbessert und so deren Zuverlässigkeit erhöht.