2316 Arbeiten
Das Paper stellt EvoSchema vor, ein umfassendes Benchmark-Tool mit einer neuen Taxonomie von Schema-Änderungen, das die Robustheit von Text-to-SQL-Modellen gegenüber realen Datenbank-Evolutionen bewertet und zeigt, dass Modelle, die auf solchen vielfältigen Schemata trainiert werden, deutlich widerstandsfähiger gegen Leistungsabfall sind.
Die Arbeit stellt Riemannian MeanFlow (RMF) vor, eine Methode, die Flow Matching auf Riemannschen Mannigfaltigkeiten erweitert und durch die Nutzung einer durchschnittlichen Geschwindigkeitsfeld-Darstellung im Tangentialraum eine qualitativ hochwertige One-Step-Generierung ohne numerische ODE-Integration ermöglicht.
Die Arbeit stellt einen effizienten Sample-and-Search-Algorithmus für das lernunterstützte k-Median-Clustering in hohen Dimensionen vor, der durch eine Prognose-basierte Vorverarbeitung die Rechenkomplexität deutlich senkt und die Abhängigkeit von der Dimensionalität beseitigt.
Die Arbeit stellt CacheSolidarity vor, ein System, das in Multi-Tenant-LLM-Umgebungen Seitenkanalangriffe durch Prefix-Caching verhindert, indem es verdächtige Cache-Wiederverwendung erkennt und selektiv isoliert, wodurch die Sicherheit ohne die bei bisherigen Lösungen üblichen Leistungseinbußen gewährleistet wird.
Diese Studie vergleicht Monte-Carlo-Dropout und konforme Vorhersage zur Unsicherheitsquantifizierung in CNNs auf Fashion-MNIST und zeigt, dass GoogLeNet besser kalibriert ist als das genauere H-CNN VGG16, wobei konforme Vorhersage durch statistisch garantierte Vorhersagemengen besonders für hochriskante Entscheidungen wertvoll ist.
Dieser Artikel schlägt eine strukturelle Grammatik für Machine-Learning-Workflows vor, die durch sieben Kernel-Primitiven und eine Laufzeit-gesicherte Trennung von Evaluierung und Bewertung zwei der schädlichsten Formen von Datenlecks bei der Modellbewertung verhindert.
Das Paper stellt CUPID vor, ein modulares Plug-in-Framework, das ohne Retraining des Basismodells sowohl aleatorische als auch epistemische Unsicherheit in vortrainierten neuronalen Netzen gemeinsam schätzt und dabei interpretierbare Einblicke in die Unsicherheitsursachen auf Layerebene bietet.
Dieses Paper stellt DeepRDFC vor, ein auf Autoencodern basierendes Framework für die verteilte Funktionsberechnung, das durch Minimierung des Totalvariationsabstands eine effiziente Kanalsimulation ermöglicht und dabei signifikante Vorteile gegenüber herkömmlichen Datenkompressionsmethoden bietet.
Die vorgestellte Arbeit nutzt Physikalisch Unclonbare Funktionen (PUFs), um die Gewichte von neuronalen Netzwerkmodellen an die eindeutigen Hardware-Eigenschaften zu binden, wodurch eine korrekte Ausführung auf geklonten Geräten verhindert und der Schutz des geistigen Eigentums sichergestellt wird.
Der vorgestellte SP-FL-Rahmenwerk verbessert das drahtlose Federated Learning, indem es durch eine hierarchische Ressourcenallokation die Übertragung von Gradienten-Vorzeichen gegenüber dem Betrag priorisiert, was in ressourcenbeschränkten Szenarien zu einer signifikant höheren Testgenauigkeit führt.
Die Autoren stellen einen vollständig datengesteuerten Rahmen vor, der durch die Berechnung von FTLE-ähnlichen Vorläufern in einem adaptiven Unterraum mittels OTD-Moden und deren Verarbeitung durch ein Transformer-Modell die Vorhersage extremaler Ereignisse in hochdimensionalen chaotischen Systemen wie der Kolmogorov-Strömung über längere Zeiträume ermöglicht.
Die Arbeit stellt „Super Neuronen" vor, eine trainingsfreie Methode, die durch die direkte Nutzung skalarer Aktivierungen in den flachen Schichten von Vision-Language-Modellen eine robuste Klassifizierung ermöglicht und dabei eine bis zu 5,10-fache Geschwindigkeitssteigerung durch ein frühes Verlassen des Modells erreicht.
Diese Arbeit stellt ein KI-gestütztes Framework vor, das durch eine kontextbewusste Zwei-Phasen-Aufteilung und eine Korrektur räumlicher Fehler die Zuverlässigkeit der Vorhersage von zellularem Datenverkehr für die 5G/6G-Planung verbessert und dabei das Problem der räumlichen Datenlecks bei herkömmlichen Trainings-Test-Splits löst.
Diese Arbeit stellt ein auf Graph Attention Networks basierendes Modell vor, das mithilfe öffentlicher Bereitstellungsdaten die Spektrumnachfrage in feinen räumlichen Skalen präzise schätzt und damit die effiziente Spektrumverwaltung und -zuteilung unterstützt.
Die Arbeit stellt MCCOP vor, ein Framework, das mithilfe von Diffusionsmodellen im latenten Raum biologisch plausible und minimal invasive Proteinmutationen berechnet, um gewünschte Eigenschaften wie Stabilität oder Fluoreszenz zu erreichen und dabei sowohl die Modellinterpretation als auch das gezielte Protein-Engineering zu unterstützen.
Diese Arbeit stellt eine neue Verteidigungsmethode gegen Adversarial Attacks für Trajektorienvorhersagemodelle im autonomen Fahren vor, die auf Randomized Smoothing basiert und nachweislich die Robustheit verschiedener Modelle erhöht, ohne die Genauigkeit in nicht-adversariellen Szenarien zu beeinträchtigen.
Das Paper stellt ReTabSyn vor, eine auf Reinforcement Learning basierende Methode zur realistischen Synthese tabellarischer Daten, die durch den Fokus auf die bedingte Verteilung und direktes Feedback zur Erhaltung von Merkmalskorrelationen insbesondere bei kleinen, unausgewogenen Datensätzen die Leistungsfähigkeit nachgelagerter Modelle verbessert.
Die Arbeit stellt EvoKernel vor, ein selbstentwickelndes Agenten-Framework, das durch einen wertgesteuerten, speicherbasierten Lernansatz die Herausforderung des „Cold-Starts" beim Synthesieren von NPU-Kernen in datenarmen Domänen überwindet und dabei die Korrektheit von 11 % auf 83 % sowie eine mediane Geschwindigkeitssteigerung von 3,6-fach erzielt.
Die Arbeit stellt vor, ein Verfahren, das ein generalistisches Wertmodell als Prior mit empirischen Daten aus spärlichen Rollouts durch dynamische Budgetzuweisung und statistische Tests adaptiv kombiniert, um eine robuste, varianzarme Vorteilsschätzung für effizientes Reinforcement Learning mit verifizierbaren Belohnungen zu gewährleisten.
Dieses Paper stellt 6ABOS vor, ein Open-Source-Framework auf Basis des 6S-Strahlungstransfermodells, das eine automatisierte atmosphärische Korrektur von EnMAP-Hyperspektraldaten für optisch komplexe Gewässer ermöglicht und durch Validierung an mediterranen Stauseen eine hohe Genauigkeit bei der Bestimmung der Wasserabstrahlungsreflexion nachweist.