7103 Arbeiten
Der Artikel stellt FedPrism vor, einen adaptiven Framework für personalisiertes Federated Learning, der durch eine Prismen-Zerlegung und ein Dual-Stream-Design die Leistung unter stark heterogenen (non-IID) Datenbedingungen signifikant verbessert, indem er globale Generalisierung mit lokaler Spezialisierung effektiv kombiniert.
Das Paper stellt FlowTouch vor, ein neuartiges Modell zur vorhersage von taktilen Reaktionen aus visuellen Eingaben mittels lokaler 3D-Meshes und Flow-Matching, das eine view-invariante Generalisierung über verschiedene Sensoren hinweg ermöglicht und die Lücke zwischen Simulation und Realität schließt.
Diese Arbeit stellt die ReinMax-Rao- und ReinMax-CV-Schätzer vor, die Rao-Blackwellisierung und Kontrollvariablen nutzen, um die hohe Varianz des ReinMax-Algorithmus für diskrete latente Variablen zu reduzieren und so das Training von Variational Autoencodern zu verbessern.
Die vorgestellte Arbeit stellt ein vollständig adaptives System zur magnetischen Navigation vor, das mithilfe eines erweiterteren Kalman-Filters und eines neuronalen Netzes die magnetischen Störungen eines Flugzeugs während des Fluges in Echtzeit kompensiert und damit eine präzise, satellitengestützte Navigation ohne vorherige Kalibrierflüge ermöglicht.
Die Studie zeigt, dass sich die rechenintensive Bias-Erkennung in Finanz-LLMs durch die Nutzung konsistenter Muster über verschiedene Modelle hinweg erheblich beschleunigen lässt, indem beispielsweise 73 % der Verzerrungen von FinMA bereits mit nur 20 % der Eingabepaare identifiziert werden können, wenn man sich auf Erkenntnisse aus DistilRoBERTa stützt.
Die Arbeit stellt SCL-GNN vor, ein neuartiges Framework, das durch den Einsatz des Hilbert-Schmidt-Unabhängigkeitskriteriums (HSIC) zur Identifizierung und Minderung irreführender statistischer Korrelationen die Generalisierungsfähigkeit von Graph Neural Networks sowohl auf IID- als auch auf OOD-Daten signifikant verbessert.
Die Studie stellt TA-RNN-Medical-Hybrid vor, ein interpretierbares, zeitaufmerksames Deep-Learning-Framework, das durch die Integration kontinuierlicher Zeitkodierung und medizinischer Konzeptdarstellungen die Sterblichkeitsrisiko-Vorhersage in Intensivstationen sowohl präziser als auch klinisch nachvollziehbarer macht.
Das Paper stellt PolyFormer vor, ein physik-informiertes maschinelles Lernmodell, das komplexe physikalische und geometrische Randbedingungen in effiziente polytopische Umformulierungen überführt, um skalierbare Optimierungsprobleme mit bis zu 6.400-facher Geschwindigkeitssteigerung und minimalem Qualitätsverlust zu lösen.
Diese Arbeit leitet sublineare Bayes'sche Regret-Schranken für den GP-PSRL-Algorithmus in kontinuierlichen Steuerungsproblemen mit unbeschränkten Zustandsräumen her, indem sie durch eine rekursive Anwendung der Borell-Tsirelson-Ibragimov-Sudakov-Ungleichung und die Kettenmethode die Beschränktheit der besuchten Zustände nachweist und eine enge Abhängigkeit vom maximalen Informationsgewinn erreicht.
Die Studie zeigt, dass Sharpness-Aware Minimization (SAM) bei tiefen linearen Netzwerken im Gegensatz zum Gradientenabstieg zu einem stark initialisierungsabhängigen Verhalten führt, das bei -SAM zu nicht-intuitiven Grenzwerten und bei -SAM zu einer sequenziellen Verstärkung zunächst schwacher Merkmale führt, was die Unzulänglichkeit rein asymptotischer Analysen der impliziten Verzerrung aufdeckt.
Diese Arbeit stellt Graph-Instructed Neural Networks (GINNs) als eine effiziente und skalierbare Methode vor, um parametrische partielle Differentialgleichungen mit variierenden Randbedingungen zu simulieren und damit die Grenzen klassischer reduzierter Ordnungsverfahren zu überwinden.
Diese Arbeit stellt ein neues Fine-Tuning-Framework vor, das die Robustheit von Vision Transformern gegenüber Verteilungsverschiebungen verbessert, indem es die Modellentscheidungen durch automatisch generierte, konzeptbasierte Masken auf semantisch relevante Objektmerkmale lenkt und so den Fokus von irreführenden Hintergrundkorrelationen abwendet.
Die Arbeit untersucht die Identifizierbarkeit der Vorzeichen kausaler Effekte in stationären stochastischen Differentialgleichungen, indem sie die Annahme einer bekannten Diffusionsmatrix aufhebt und Kriterien für die Vorzeichenidentifizierbarkeit unter der Bedingung der Glaubwürdigkeit (Faithfulness) für allgemeine Graphen ableitet.
Diese Arbeit stellt ein allgemeines Rahmenwerk zur Bewertung von Heatmaps bei Multiple-Instance-Learning-Modellen in der Histopathologie vor und zeigt durch ein groß angelegtes Benchmarking, dass Perturbation-, LRP- und IG-Methoden Attention-basierten Ansätzen überlegen sind, um zuverlässigere Validierungen und biologische Erkenntnisse zu ermöglichen.
Diese Studie zeigt, dass Transformer-Modelle in Kombination mit Koopman-Operator-Features, die durch Extended Dynamic Mode Decomposition mit einem optimierten Radial-Basis-Funktions-Wörterbuch extrahiert werden, bei der vierklassigen EKG-Klassifizierung eine überlegene Leistung erzielen und dynamische Systemtheorie effektiv in die Zeitreihenanalyse integrieren.
Die vorgestellte Arbeit ersetzt die dichte Ausgabe-Projektion in Multi-Head-Attention durch eine feste, parameterfreie Walsh-Hadamard-Transformation mit einer leichten affinen Skalierung, was den Parameterbedarf um etwa 25 % senkt und gleichzeitig die Leistung erhält sowie Speicher- und Durchsatzvorteile bei wachsender Modellgröße erzielt.
Die vorgestellte Arbeit entwickelt eine neue Methode zur Generierung plausibler Gegenbeispiel-Erklärungen für Zeitreihenklassifikation, die durch gradientenbasierte Optimierung und eine soft-DTW-basierte Plausibilitätskomponente realistischere zeitliche Strukturen erzeugt als bestehende Ansätze.
Diese Arbeit vereint Online- und Off-Policy-Varianzreduktionsmethoden, indem sie die mathematische Äquivalenz zwischen dem Difference-in-Means-Schätzer und einem optimierten Inverse Propensity Scoring-Schätzer sowie zwischen Regressionsanpassungsverfahren und Doubly Robust-Schätzung nachweist.
Die Studie zeigt, dass aktuelle Benchmark-Verfahren zu nicht-existierenden Nash-Gleichgewichten und damit zu fehlgeleiteten Anreizen für das „Benchmaxxing" führen, während ein neu vorgeschlagenes „Tune-before-Test"-Protokoll unter milden Bedingungen ein eindeutiges Gleichgewicht garantiert, das Modelle korrekt nach ihrer latenten Qualität bewertet.
Diese Arbeit stellt einen neuartigen Optimierungsalgorithmus auf Basis der fraktionalen Kalkültheorie vor, der durch den Einsatz des Weighted Fractional Weyl Integrals als dynamischen Gedächtnisoperator die Nachteile lokaler Gradientenverfahren überwindet und in stark unausgewogenen Datensätzen wie denen der Finanzbetrugserkennung signifikant robustere Ergebnisse erzielt.