7115 Arbeiten
Diese Arbeit demonstriert, wie Reinforcement Learning durch die Entwicklung einer probabilistischen Belohnungsfunktion und eines geeigneten Zustandsraums erfolgreich eingesetzt werden kann, um Netzwerkkonfigurationen für die Leistungsflussanalyse zu finden, die eine deutlich höhere Anzahl von Gleichgewichtspunkten aufweisen als mit herkömmlichen algebraischen Methoden oder einem Gaußschen Basismodell erreichbar wäre.
Diese Arbeit zeigt, dass das Training eines starken Modells auf den unvollkommenen Vorhersagen eines schwachen Lehrers mittels zufälliger Merkmals-Ridge-Regression die Skalierungsgesetze des Testfehlers signifikant verbessern kann, sodass der Schüler selbst dann optimale Raten erreicht, wenn der Lehrer keine Fehlerreduktion mit zunehmender Stichprobengröße aufweist.
Diese Arbeit untersucht Parallelisierungsstrategien für die Bereitstellung dichter LLMs, indem sie zeigt, dass Tensor-Parallelismus die Latenz verbessert, während Pipeline-Parallelismus den Durchsatz optimiert, und wie deren hybride Kombination einen gezielten Kompromiss zwischen diesen beiden Leistungszielen ermöglicht.
Diese Arbeit beweist die exakte Realisierbarkeit von Moore-Maschinen als Zustandsraummodelle und zeigt, dass eine Warm-Start-Initialisierung dieser Modelle mit symbolisch gelernten Automaten zu einer deutlich schnelleren Konvergenz und höheren Genauigkeit führt als eine zufällige Initialisierung.
Diese Arbeit untersucht die Lernbarkeit von Differentialgleichungen in zeitlichen Random Dot Product Graphs, identifiziert fundamentale geometrische und statistische Hindernisse wie Eichfreiheit und Realisierbarkeit, entwickelt einen Rahmen auf Basis von Hauptfaserbündeln zur Charakterisierung der Dynamik und zeigt, wie symmetrische Dynamiken die Eichambiguität auflösen können, während die endliche Stichprobengrenze eine offene Herausforderung bleibt.
Das Papier warnt davor, dass die rasche Einführung von KI in der Klimaforschung die globale Ungleichheit zwischen Nord und Süd verschärfen könnte, und fordert einen Paradigmenwechsel hin zu einer datenzentrierten Entwicklung, einer digitalen öffentlichen Klimainfrastruktur und einer gemeinsamen Wissensproduktion, um diese Disparitäten zu überwinden.
Diese Studie zeigt, dass durch unsupervised domain adaptation (UDA) mit Minimierung der Maximum Mean Discrepancy (MMD) ein auf synthetischen Daten trainiertes Modell für die Radioisotopenidentifizierung in der Gammaspektroskopie erfolgreich an reale, ungelabelte Umgebungen angepasst werden kann, wodurch die Testgenauigkeit signifikant von 0,754 auf 0,904 gesteigert wird.
Diese Arbeit zeigt, dass Best-of-N-Sampling unter praxisnahen Annahmen bezüglich der Win-Rate statistisch und rechnerisch optimal ist, und schlägt eine einfache Variante vor, die Reward-Hacking eliminiert, ohne die Leistung zu beeinträchtigen.
Die Arbeit stellt Icarus vor, ein voll dynamisches Bereich-Sky-Modell, das mittels Deep Learning fotorealistische, wetterunabhängige Umgebungskarten mit präziser Sonnenausleuchtung und Wolkensteuerung für das Image-Based Lighting generiert und dabei die Limitationen bestehender neuronaler Modelle überwindet.
Die Arbeit stellt MIRACL vor, ein hierarchisches Meta-Multi-Objective-Reinforcement-Learning-Framework, das durch strukturierte Zerlegung von Aufgaben und eine Pareto-basierte Anpassungsstrategie eine effiziente Few-Shot-Verallgemeinerung für dynamische, mehrstufige kombinatorische Lieferkettenoptimierung ermöglicht und dabei die Leistung herkömmlicher MORL-Ansätze signifikant übertrifft.
Der Artikel stellt Score-Guided Proximal Projection (SGPP) vor, ein einheitliches geometrisches Framework, das deterministische Optimierung und stochastisches Sampling verbindet, um Rectified Flow-Modelle für präzise Bildbearbeitung und Rekonstruktion zu steuern, indem es Inversions-basierte Methoden als Grenzfall umfasst und einen trainingsfreien Kompromiss zwischen Identitätserhaltung und generativer Freiheit ermöglicht.
Die Studie stellt TML-Bench vor, einen Benchmark zur Evaluierung autonomer Data-Science-Agenten auf Tabular-Machine-Learning-Aufgaben, der zeigt, dass das MiniMax-M2.1-Modell über vier Kaggle-Wettbewerbe hinweg die beste Gesamtleistung erzielt und die Erfolgsquote mit längeren Zeitbudgets steigt.
Die Arbeit stellt SCORE vor, eine Methode zur Subraum-Konfliktlösung, die durch die Projektion von Task-Matrizen auf eine gemeinsame orthogonale Basis die Generalisierungsfähigkeit von fusionierten Modellen auf unbekannte Domänen verbessert.
Diese Arbeit stellt die Disentangled Safety Hypothesis (DSH) vor, die Sicherheitsmechanismen in großen Sprachmodellen in zwei entkoppelte Unterräume – Erkennung und Ausführung – zerlegt, um durch gezielte Angriffe wie den „Refusal Erasure Attack" (REA) ein „Wissen ohne Handeln" zu erzeugen und so die Anfälligkeit aktueller Sicherheitsalignments aufzuzeigen.
Diese Arbeit stellt eine neuartige erste-Ordnung Softmax-gewichtete Switching-Gradienten-Methode für verteilte stochastische Minimax-Optimierung unter stochastischen Nebenbedingungen vor, die in einem Single-Loop-Primal-Only-Rahmen eine stabile Konvergenz ohne die üblichen Hyperparameter-Sensitivitäten erreicht und durch theoretische Garantien sowie Experimente zu Neyman-Pearson- und faire Klassifizierungsaufgaben validiert wird.
Diese Studie zeigt, dass herkömmliche, zeitunabhängige Leistungsmetriken in Multi-Agenten-Szenarien koordinierte Verhaltensmuster wie Turn-taking oft übersehen, und führt daher neue, zeitlich sensitive Alternationsmetriken ein, die offenbaren, dass selbst lernbasierte Strategien trotz hoher aggregierter Belohnungen signifikant schlechter koordinieren als zufällige Baselines.
Die Studie nutzt Crosscoders, um zu zeigen, dass Mixture-of-Experts-Modelle im Vergleich zu dichten Modellen weniger einzigartige Merkmale lernen und spezialisierte, fokussierte Repräsentationen entwickeln, während dichte Modelle breitere, allgemeineren Merkmale verwenden.
Die Studie zeigt, dass Mixture-of-Experts-Modelle wie DeepSeekMoE eine stark konzentrierte Expertise aufweisen, bei der nur wenige spezialisierte Experten den Großteil der Vorhersagen übernehmen, was gezielte Pruning-Strategien zur Optimierung von Inferenz und Speicherbedarf bei gleichbleibender Leistung ermöglicht.
Die Arbeit stellt MaCS vor, ein architekturunabhängiges Regularisierungsframework, das durch die Kombination von Margin- und Konsistenzstrafen die Kalibrierung und Robustheit von Vision-Modellen verbessert, ohne zusätzliche Daten oder Architekturänderungen zu erfordern.
Die Arbeit stellt SEA-PEFT vor, eine Methode zur automatisierten, parameter-effizienten Feinabstimmung von 3D-Medizinbild-Segmentierungsmodellen, die durch einen Such-Audit-Zuweisungs-Loop die Adapter-Konfiguration optimiert und so in Few-Shot-Szenarien signifikant bessere Ergebnisse als statische Ansätze erzielt.