7267 Arbeiten
Der Artikel stellt DFIR-DETR vor, einen Transformer-basierten Detektor, der durch dynamische Inhalts-Feature-Aggregation, eine normerhaltende Feature-Pyramide und eine frequenzdomänenbasierte iterative Verfeinerung die Erkennung kleiner Objekte in komplexen Szenen verbessert.
Die Autoren stellen eine Methode vor, die Reaktionspfade durch zweidimensionale, permutationskorrigierte RMSD-Projektionen und eine energiebasierende Gauß-Prozess-Visualisierung darstellt, um strukturelle Umordnungen besser zu analysieren und Optimierungshistorien verschiedener computergestützter Chemie-Methoden unabhängig von der Reaktionsgeschichte vergleichbar zu machen.
Die Autoren stellen einen neuen Rahmen vor, der submodulare Auswahl mit schichtweiser, gradientenbasierter Unsicherheitsschätzung kombiniert, um die Robustheit und Zuverlässigkeit von visuellen Erklärungen für Deep-Learning-Modelle sowohl unter Out-of-Distribution-Bedingungen als auch in in-Distribution-Szenarien zu verbessern.
Diese Arbeit stellt eine neue globale Sensitivitätsanalyse vor, die auf Individual Conditional Expectation (ICE)-Kurven basiert, um die durch Mittelwertbildung bei Partial Dependence Plots (PDP) verschleierten Interaktionseffekte in datengetriebenen Ingenieurmodellen, insbesondere im Luft- und Raumfahrtbereich, präziser zu erfassen und zu quantifizieren.
Diese Studie stellt eine neuartige, patch-basierte Methode zur topologischen Datenanalyse (TDA) für CT-Bilder vor, die im Vergleich zu herkömmlichen 3D-Würfelkomplexen und radiomischen Merkmalen sowohl die Klassifikationsleistung als auch die Recheneffizienz signifikant verbessert und durch das Python-Paket „Patch-TDA" zugänglich gemacht wird.
Die Arbeit identifiziert Optimierungsprobleme bei hyperbolischem Deep Reinforcement Learning, die durch große Embedding-Normen verursacht werden, und stellt Hyper++ vor, einen stabilen und effizienten Agenten mit Regularisierung, kategorischem Value-Loss und optimierten Netzwerkschichten, der auf ProcGen und Atari-5 signifikant bessere Ergebnisse als vorherige Ansätze erzielt.
Die Arbeit stellt CARE vor, ein post-training-Framework für multimodales Reasoning, das durch einen kontrastiven, fehlerzentrierten Ansatz und eine selbstkorrigierende Neusampling-Strategie (RGR) aus gescheiterten Rollouts lernbare Signale gewinnt und so die Genauigkeit und Trainingsstabilität im Vergleich zu GRPO signifikant verbessert.
Die Arbeit stellt den Benchmark LLMTM vor, um die Leistung von Large Language Models bei der Analyse temporaler Motive in dynamischen Graphen zu evaluieren, und entwickelt darauf aufbauend einen kosteneffizienten, strukturbewussten Dispatcher, der die Genauigkeit eines teuren Tool-Agenten mit der Effizienz direkter Prompting-Methoden intelligent kombiniert.
Die Arbeit stellt MDENeRF vor, einen iterativen Rahmen, der mittels Bayes'scher Fusion monokulare Tiefenschätzungen mit unsicherheitsbasierten Details aus Neural Radiance Fields verfeinert, um globale Struktur und feine geometrische Details zu kombinieren.
Diese Arbeit stellt einen end-to-end Ansatz für die audio-visuelle Spracherkennung vor, der durch eine Conformer-basierte Fusionsarchitektur und integrierte Sprachverbesserung auf explizite Masken verzichtet, um semantisch relevante Informationen zu bewahren und die Rauschrobustheit zu steigern.
Diese Arbeit schlägt eine Methode zur Erzeugung domäneninvarianter Repräsentationen durch spektrale Einbettung von Optimal-Transport-Plänen als Adjazenzmatrizen bipartiter Graphen vor, um die Herausforderung von Verteilungsverschiebungen in Aufgaben wie der Musikgenre-Erkennung und der Fehlerdiagnose bei elektrischen Kabeln zu bewältigen.
Die Arbeit stellt eine robuste neuromorphe Plattform für maschinelles Lernen vor, die ein optisches neuronales Netzwerk ausschließlich mit linearen optischen Ressourcen und Phasenverschiebungen zur Realisierung von Nichtlinearitäten implementiert und dabei sowohl effizientes In-situ-Lernen als auch hohe Resilienz gegenüber Photonenverlusten ermöglicht.
Die Autoren stellen CELM, das erste multimodale Grundlagenmodell, vor, das langfristige EEG-Aufzeichnungen direkt in klinische Berichte übersetzt und dabei durch die Integration von Patientenhistorie eine signifikante Verbesserung der Generierungsqualität erreicht.
Die Autoren stellen eine rein optische Architektur für tiefe neuromorphe Netzwerke vor, die durch einen lokalen optischen Rückkopplungsmechanismus und nichtflüchtige Phasenwechselmaterial-Synapsen eine Online-Hebbian-Lernfähigkeit ermöglicht und auf einer handelsüblichen Faseroptik-Plattform eine 100-prozentige Erkennungsrate bei der Buchstabenerkennung ohne energieineffiziente optisch-elektrisch-optische Konversionen erreicht.
Die Arbeit stellt ZK-HybridFL vor, ein dezentrales Framework für Federated Learning, das durch die Integration von Zero-Knowledge-Beweisen, einer DAG-Ledger-Architektur mit Sidechains und einem Oracle-Mechanismus sowohl die Privatsphäre der Daten als auch die Sicherheit und Skalierbarkeit der Modellvalidierung gewährleistet.
Die Arbeit stellt EDIS vor, eine Metrik zur Diagnose von LLM-Reasoning, die auf der Analyse der zeitlichen Dynamik der Entropie während der Generierung basiert und dadurch fehlerhafte Schlussfolgerungen durch instabile Muster zuverlässig erkennt, um die Genauigkeit von LLMs zu verbessern.
Die Arbeit stellt die Latent Exploration Decoding (LED) vor, eine trainingsfreie Dekodierungsstrategie, die durch die Aggregation und Auswahl von Zwischen-Schicht-Posterior-Werten mit maximaler Entropie den durch das Nachtrainieren verursachten Explorationskollaps in Large Reasoning Models überwindet und so die Genauigkeit auf verschiedenen Reasoning-Benchmarks verbessert.
Diese Studie demonstriert, dass ein automatisiertes Red-Teaming-Verfahren durch promptbasierte Täuschungsstrategien sowohl Black-Box- als auch White-Box-Audits zur Identifizierung versteckter Ziele von KI-Modellen erfolgreich täuschen kann, was die mangelnde Robustheit aktueller Ausrichtungsmethoden gegenüber strategisch täuschenden Modellen belegt.
Das Paper stellt LaPha vor, eine Methode, die AlphaZero-ähnliche LLM-Agenten in einem hyperbolischen Poincaré-Latenzraum trainiert, um durch die Nutzung der negativen Krümmung für eine exponentiell wachsende Kapazität und dichte Prozessbelohnungen auf MATH-500 und AIME-Benchmarks signifikante Genauigkeitssteigerungen zu erzielen.
Die Studie stellt ein neues Protokoll zur Validierung von Saliency-Maps in der siRNA-Wirksamkeitsvorhersage vor, das durch den Nachweis von Fehlern wie „inverser Saliency" und den Einsatz eines biologisch informierten Regularisierers (BioPrior) die Zuverlässigkeit erklärbarer Modelle für das therapeutische Design sicherstellt.