7279 Arbeiten
Die Arbeit stellt R4T vor, ein dreistufiges Framework, das Reinforcement Learning nutzt, um Trainingsdaten für einen effizienten Diffusions-Retriever zu synthetisieren, wodurch die Latenz bei der set-basierten Fan-Out-Retrieval drastisch reduziert und gleichzeitig die Qualität der Ergebnisse optimiert wird.
Diese Arbeit stellt den ersten XL-MIMO-Radiokarten-Datensatz mit multiplen Konfigurationen vor und führt den physikbasierten „Beam Map"-Ansatz ein, der die Generalisierungsfähigkeit von Radiokarten-Vorhersagen auf unbekannte Antennenkonfigurationen und Umgebungen ohne erneutes Training erheblich verbessert.
Der Artikel stellt M-CMAB vor, einen Multi-Adapter-basierten Rahmen für das Online-Scheduling von Multi-Modal-LLM-Inferenzen, der durch die Kombination eines adaptiven Prädiktors, eines primal-dualen Constraints und eines zweiphasigen Schedulers komplexe Unsicherheiten bewältigt und dabei mehrdimensionale Budgetbeschränkungen einhält, um die Belohnung im Vergleich zu bestehenden Methoden signifikant zu steigern.
Diese Arbeit schlägt eine Referenzarchitektur für Reinforcement-Learning-Frameworks vor, die durch eine Grounded-Theory-Analyse von 18 aktuellen Implementierungen entwickelt wurde, um eine gemeinsame Basis für Vergleich, Bewertung und Integration zu schaffen.
Die Studie stellt CLoPA vor, eine kontinuierliche Anpassungsstrategie, die durch das Feinabstimmen eines kleinen Teils der Parameter des nnInteractive-Modells auf annotierten Daten die Segmentierungsleistung in der medizinischen Bildgebung schnell auf Expertenniveau hebt, ohne neue Parameter oder Änderungen am Inferenzprozess zu erfordern.
Diese Arbeit stellt einen Rahmen für die zertifizierte und genaue Berechnung von Funktionraumnormen tief neuronaler Netze vor, der Intervallarithmetik, adaptive Verfeinerung und quadraturbasierte Aggregation kombiniert, um garantierte Schranken für Integrale und PINN-Residuen zu liefern.
Die Autoren stellen eine Korrelations-Komplexitäts-Karte vor, die als diagnostisches Werkzeug dient, um datengetriebene Domänen mit hoher quantenmechanischer Kompatibilität zu identifizieren, und demonstrieren anhand von Turbulenzdaten, dass IQP-basierte generative Modelle mit weniger Trainingsdaten und kleineren latenten Räumen eine wettbewerbsfähige Verteilungsausrichtung im Vergleich zu klassischen Modellen erreichen können.
Die Arbeit zeigt, dass bei quantenlimitierten Gaussian-Dynamiken die Umkehrung eines Diffusionsprozesses durch einen reinen Score-Drift die Bedingung der vollständigen Positivität verletzt, wenn die Squeezing-Parameter bestimmte Schwellenwerte überschreiten, und dass eine korrekte Reparatur daher unvermeidlich zusätzliche Diffusion erfordert.
Die Arbeit stellt NOBLE vor, eine Architektur-Erweiterung für Transformer, die permanente nichtlineare Low-Rank-Branches in die linearen Schichten integriert, um das Training von Grund auf zu beschleunigen und dabei die Effizienz bei minimalen Parameter- und Zeitkosten signifikant zu steigern.
Die Arbeit stellt COLD-Steer vor, ein trainingsfreies Framework, das Large Language Models durch die Approximation von In-Context-Lern-Dynamiken steuert und dabei eine hohe Wirksamkeit bei nur einem Bruchteil der bisher benötigten Beispielmengen erreicht.
Die vorgestellte semantikbewusste Caching-Methode beschleunigt das Konzeptlernen in Wissensbasen durch eine subsumptionsbewusste Zwischenspeicherung von Instanzen und reduziert die Laufzeit sowohl für symbolische als auch neuro-symbolische Reasoner um eine Größenordnung.
Die Arbeit widerlegt die Annahme, dass Multimodalität Backdoor-Angriffe verstärkt, indem sie das Phänomen des „Backdoor Modality Collapse" nachweist, bei dem Angriffe auf eine einzelne Modalität kollabieren und die Interaktion zwischen Modalitäten vernachlässigbar oder sogar negativ ist.
Diese Studie präsentiert ein KI-System, das auf über 45.000 Ultraschallbildern trainiert wurde, um fetale Gesichtsfehlbildungen mit einer Genauigkeit zu erkennen, die der von erfahrenen Radiologen entspricht und die von weniger erfahrenen Fachkräften deutlich übertrifft, während es gleichzeitig als effektives Lernwerkzeug zur Beschleunigung der Ausbildung in diesem seltenen medizinischen Bereich dient.
Diese Studie demonstriert, wie Transformer-Modelle als effiziente Surrogatmodelle trainiert werden können, um atomare Übergänge in Nano-Clustern mit deutlich reduzierten Rechenkosten vorherzusagen und dabei physikalisch valide Mikrozustände zu generieren.
Diese Arbeit stellt eine neuartige Methode zur Erklärbarkeit hierarchischer probabilistischer Zeitreihenprognosen vor, die durch die Analyse von Variablenbedeutung, Unsicherheit und Datenänderungen das Vertrauen in industrielle Nachfragevorhersagen stärkt und fundierte Entscheidungsprozesse ermöglicht.
Die Studie stellt CODEC vor, eine Methode, die mithilfe von sparse Autoencodern die kausalen Beiträge einzelner Neuronen in neuronalen Netzen zerlegt, um deren nichtlineare Berechnungen interpretierbar zu machen und eine präzisere Kontrolle sowie mechanistische Einblicke in künstliche und biologische Netzwerke zu ermöglichen.
Die Studie stellt H²RL vor, einen hybriden Zwei-Stufen-Ansatz, der durch eine logikbasierte Vortrainingsstrategie tiefes Reinforcement Learning verbessert, um Agenten von kurzfristigen Belohnungsschleifen wegzuführen und ihre Leistung in langfristigen Entscheidungsprozessen gegenüber reinen neuronalen, symbolischen und neuro-symbolischen Baselines zu steigern.
Die Arbeit stellt AllScAIP vor, einen skalierbaren, auf All-to-All-Attention basierenden Machine-Learning-Interatomic-Potential-Ansatz, der durch einen rein datengetriebenen Mechanismus langreichweitige Wechselwirkungen präzise erfasst und dabei in großen Datenszenarien traditionelle physikalische Induktionsvoraussetzungen übertrifft.
Das Paper stellt SCOPE vor, ein plug-and-play-Framework zur Anreicherung von Few-Shot-Prototypen in der 3D-Segmentierung, das ungelabelte Hintergrundinformationen nutzt, um die Leistung bei neuen Kategorien zu steigern und katastrophales Vergessen zu minimieren.
Die Arbeit stellt BEVLM vor, ein Framework, das semantisches Wissen aus großen Sprachmodellen in räumlich konsistente Vogelperspektiven-Repräsentationen (BEV) integriert, um die reasoning-Fähigkeiten in komplexen Fahrszenen zu verbessern und die Sicherheit in End-to-End-Steuerungssystemen signifikant zu erhöhen.