7279 Arbeiten
Die Arbeit stellt „Synthetic Monitoring Environments" (SMEs) als eine unendliche Suite konfigurierbarer, kontinuierlicher Steuerungsaufgaben mit bekannten optimalen Strategien vor, die es ermöglichen, Reinforcement-Learning-Algorithmen durch präzise, white-box-Diagnosen und exakte Regret-Berechnungen systematisch zu analysieren und von empirischem Benchmarking zu einer rigorosen wissenschaftlichen Evaluation zu überführen.
Dieser Artikel stellt die BAEN-SVM vor, ein robustes Support-Vector-Modell, das auf einer neuartigen, beschränkten und asymmetrischen Elastic-Net-Verlustfunktion basiert, um Rauschen effektiv zu bewältigen und die Generalisierungsfähigkeit bei binärer Klassifikation zu verbessern.
Die vorgestellte Arbeit stellt DeCoST vor, einen lernbasierten zweistufigen Ansatz zur Entkopplung diskreter und kontinuierlicher Entscheidungsvariablen beim Orientierungsproblem mit Zeitfenstern und variablen Gewinnen, der durch eine parallele Pfadvorhersage und eine nachgelagerte lineare Optimierung sowohl die Lösungsqualität als auch die Recheneffizienz im Vergleich zu bestehenden Methoden signifikant verbessert.
Die Studie zeigt, dass agentic retrieval-augmented Reasoning-Pipelines in der Radiologie-Fragebeantwortung die Konsistenz und Robustheit über verschiedene Large Language Models hinweg erhöhen, obwohl eine hohe Übereinstimmung nicht automatisch Korrektheit garantiert und viele Fehler klinisch schwerwiegend sein können.
Diese Arbeit stellt ein neuronales Netzwerk vor, das Fuzzy Cognitive Maps mittels Langevin-Differentialdynamik verarbeitet, um Kausalitätsmuster zu lernen und durch inverse Lösungen Kriterien für Anpassungen zu liefern, wobei die Leistung an mehreren Datensätzen evaluiert wurde.
Das Paper stellt Stem vor, ein modulares Sparse-Attention-Verfahren, das durch eine positionsabhängige Top-k-Auswahl und eine output-bewusste Metrik die kausalen Informationsflüsse in Large Language Models effizienter gestaltet und dabei Rechenkosten sowie Latenz bei langer Kontextverarbeitung senkt.
Die Arbeit stellt GMM-PIELM vor, einen probabilistischen adaptiven Sampling-Ansatz, der die Genauigkeit und Konditionierung von Physics-Informed Extreme Learning Machines für steife PDEs mit scharfen Gradienten drastisch verbessert, indem er Radial-Basis-Funktionszentren autonom in Regionen mit hohem numerischem Fehler konzentriert, ohne dabei auf kostenintensive gradientenbasierte Optimierungen angewiesen zu sein.
Die vorgestellte Arbeit schlägt eine Methode zur Entfernung von Artefakten in 3D-CBCT-Bildern vor, die auf senkrechten score-basierten Diffusionsmodellen im Projektionsbereich basiert und durch die Kombination zweier 2D-Modelle die Konsistenz zwischen den einzelnen Projektionen verbessert.
Diese Arbeit stellt PolaDCA vor, ein neuartiges Framework für die Fehlerdiagnose rotierender Maschinen, das mithilfe eines polarisierten direkten Kreuz-Aufmerksamkeitsmechanismus datengesteuerte Graphen und adaptive Nachrichtenweitergabe ermöglicht, um die Robustheit gegenüber Rauschen und die Diagnosegenauigkeit im Vergleich zu herkömmlichen Graph-Neural-Networks signifikant zu verbessern.
Diese Arbeit stellt eine dreistufige Pipeline vor, die Sprachmodelle durch die Berechnung feinabgestimmter Entropie-Scores, deren Kalibrierung mittels Platt-Skalierung und anschließendes Reinforcement Learning trainiert, um effiziente, gut kalibrierte und interpretierbare Unsicherheitsschätzungen für ihre Antworten zu generieren.
Die Arbeit stellt SAHOO vor, ein praktisches Framework, das durch einen gelernten Zielabweichungsindex, die Durchsetzung sicherheitskritischer Invarianten und die Quantifizierung von Regressionsrisiken die Ausrichtungsdrift während des rekursiven Selbstverbesserungsprozesses überwacht und kontrolliert, um signifikante Qualitätssteigerungen bei gleichzeitiger Wahrung von Sicherheitsgrenzen zu ermöglichen.
Die Studie stellt AIRT vor, ein tiefes Lernframework, das innerhalb einer Sekunde auf einer einzigen GPU direkt aus CT-Bildern und Konturen strahlentherapeutische Behandlungspläne für Prostatakrebs generiert und dabei eine Qualität aufweist, die mit dem etablierten RapidPlan Eclipse vergleichbar ist.
Das Paper stellt MoEless vor, ein serverloses Framework zur effizienten Bereitstellung von Mixture-of-Experts-LLMs, das durch lastproaktive Skalierung und Platzierung von Experten die Inferenz-Latenz um 43 % und die Kosten um 84 % im Vergleich zu bestehenden Lösungen reduziert.
Das Paper stellt den Dynamic Chunking Diffusion Transformer (DC-DiT) vor, der durch einen lernbasierten Encoder-Router-Decoder adaptiv und datenabhängig die Anzahl der Tokens je nach Bildinhalt und Diffusionszeitpunkt optimiert, um die Recheneffizienz zu steigern und gleichzeitig die Bildqualität im Vergleich zu herkömmlichen DiT-Modellen zu verbessern.
Die Arbeit stellt das Frequency-Separable Hamiltonian Neural Network (FS-HNN) vor, ein neues Framework, das durch die Aufteilung der Hamilton-Funktion in separate Netzwerke für unterschiedliche Frequenzbereiche die Erfassung komplexer Mehrzeitskalen-Dynamiken und die langfristige Extrapolation bei ODE- und PDE-Problemen verbessert.
Diese Arbeit stellt eine hardwareunabhängige, komprimierungsbasierte Klassifizierungsmethode vor, die trotz fehlender formaler metrischer Eigenschaften hohe Genauigkeit auf Client-Geräten mit wenigen Daten erreicht, indem sie die Normalized Compression Distance für Kernel-Methoden adaptiert und deren Trainingszeit optimiert.
Dieses Paper stellt CLAIRE vor, ein hybrides Deep-Learning-Framework für die intelligente Qualitätskontrolle in der Fertigung, das durch einen optimierten Autoencoder komprimierte latente Repräsentationen erzeugt und mit einer spieltheoretischen Interpretierbarkeitstechnik eine robuste und erklärbare Fehlererkennung in hochdimensionalen Umgebungen ermöglicht.
Die Arbeit stellt ALFCG vor, das erste adaptive, projektionsfreie Framework für stochastische nichtkonvexe Optimierung, das ohne globale Lipschitz-Konstanten oder Linien-Suche auskommt und durch die Nutzung historischer Iterationsunterschiede zur Schätzung lokaler Glattheit sowie durch Varianzreduktion optimale Konvergenzraten erreicht.
Die Arbeit erweitert die kinetische Regularisierung (KBR) um zwei effiziente Schemata zur präzisen und rauschadaptiven Schätzung räumlicher Ableitungen, die sich erfolgreich für die stabile Lösung von PDEs auf unregelmäßigen Punktwolken unter Wahrung von Erhaltungssätzen einsetzen lassen.
Diese Arbeit stellt ein Schema-gated Orchestrierungs-Modell vor, das durch die Trennung von konversationeller Flexibilität und deterministischer Ausführung den Zielkonflikt zwischen natürlichsprachlicher Interaktion und reproduzierbaren wissenschaftlichen Workflows löst.