7279 Arbeiten
Diese Arbeit stellt einen Neyman-orthogonalen Schätzer für lineare Modelle mit mehrdimensionalen Paneldaten und unbeobachteten interaktiven Fixeffekten vor, der durch eine gewichtete Within-Transformation eine parametrische Konvergenzrate erreicht und asymptotisch normal ist, wobei die Methode zur Schätzung der Bier-Nachfrageelastizität angewendet wird.
Diese Arbeit stellt zwei einstufige Nullter-Ordnung-Primal-Dual-Algorithmen vor, die erstmals iterative Komplexitätsgarantien für nichtkonvexe-(stark) konkave Minimax-Probleme mit gekoppelten linearen Nebenbedingungen unter deterministischen und stochastischen Bedingungen bieten und dabei den aktuellen Stand der Technik übertreffen.
Die Arbeit stellt Orthonormale Datenkollaboration (ODC) vor, eine Methode, die durch die Erzwingung orthonormaler Basen das komplexe Basis-Alignment auf ein effizientes, geschlossenes Lösungsverfahren reduziert und dabei die Genauigkeit verbessert sowie die Rechenzeit um bis zu das 100-fache senkt, ohne die Datenschutzgarantien zu beeinträchtigen.
Diese Arbeit schlägt eine neuartige Formulierung für die submodulare Multi-Task-Auswahl vor, die durch relative Entropie regularisiert wird, um eine lokal verteilungsrobuste Lösung zu gewährleisten, die sich effizient mittels gieriger Algorithmen optimieren lässt und in Anwendungen wie Satellitenauswahl und Bildzusammenfassung überlegene Ergebnisse liefert.
Dieser Artikel stellt eine neuartige Lernmethode vor, die durch die Distillation privilegierter Informationen aus LKH-Heuristiken und eine anschließende überwachtes Anpassung den Dubins-Reisenden-Problem mit Nachbarschaften (DTSPN) für nicht-holonome Fahrzeuge etwa 50-mal schneller löst als herkömmliche Ansätze und dabei eine vollständige Erfassung aller Aufgabenpunkte gewährleistet.
Die Studie stellt HEroBM vor, ein skalierbares, auf tiefen äquivarianten Graphenneuralen Netzen basierendes Verfahren, das eine universelle und präzise Rückführung von grobkörnigen zu all-atomaren Molekülstrukturen über den gesamten chemischen Raum hinweg ermöglicht.
Die Arbeit entwickelt einen asymptotisch optimalen Algorithmus für ein Online-Lern- und Optimierungsproblem mit irreversiblen Entscheidungen, der durch eine anfängliche begrenzte Exploration und anschließende schnelle Ausbeutung die Anzahl der zu öffnenden Einrichtungen unter einer Wahrscheinlichkeitsbedingung minimiert und dabei sublineare Regret-Schranken für verschiedene Lernraten und Fehlermodelle herleitet.
Das Paper stellt GPSL vor, eine servergesteuerte Methode für Parallel Split Learning, die durch globales Sampling die Batch-Größe unabhängig von der Client-Anzahl hält, Verzerrungen bei nicht-IID-Daten eliminiert und so eine zentralisierte Genauigkeit mit geringem Overhead erreicht.
Diese Arbeit stellt eine faire Variante der nicht-negativen Matrixfaktorisierung (NMF) vor, die durch eine Min-Max-Formulierung des Zielfunktions-Optimierungsproblems die Fairness für Bevölkerungsgruppen verbessert, wobei die Autoren auf die Notwendigkeit hinweisen, dass dies zu Lasten der Genauigkeit für einzelne Individuen gehen kann und die Methode stark anwendungsspezifisch gewählt werden muss.
Diese Studie präsentiert eine umfassende experimentelle Untersuchung fairer maschineller Lernverfahren im Kredit-Scoring, die zeigt, dass diese Modelle im Vergleich zu traditionellen Klassifikationsmodellen eine bessere Balance zwischen Vorhersagegenauigkeit und Fairness erreichen.
Diese Arbeit stellt Path Planning (P2) vor, eine neue Inferenzstrategie für Masked Diffusion Models, die durch die Einführung eines Planungs- und eines Denoising-Schritts die Möglichkeit bietet, bereits generierte Tokens iterativ zu verfeinern, und dadurch in Bereichen wie Proteinsequenzen, Mathematik und Code-Generierung einen neuen State-of-the-Art erreicht.
Diese Arbeit zeigt, dass der Fluch der Dimensionalität die Optimierung neuronaler Netze mit glatten Aktivierungsfunktionen fundamental einschränkt, indem sie nachweist, dass die Konvergenzrate des Populationsrisikos unter Gradientenfluss durch die Dimension des Eingaberaums und die Glattheit der Zielfunktion begrenzt wird.
Diese Arbeit erweitert die Anwendbarkeit von Entropiefluss-Methoden zur Herleitung von Generalisierungsschranken auf alle lernenden Algorithmen, deren iterative Dynamik durch einen zeit-homogenen Markov-Prozess beschrieben wird, indem sie eine exakte Entropiefluss-Formel und Verbindungen zu modifizierten logarithmischen Sobolev-Ungleichungen einführt.
Diese Arbeit widerlegt die Vermutung, dass die Attraktoren der Replikator-Dynamik in einer eindeutigen Beziehung zu den Sink-Gleichgewichten stehen, indem sie Gegenbeispiele mittels lokaler Quellen aufzeigt und stattdessen Pseudo-Konvexität als hinreichende Bedingung für diese Korrespondenz in Zwei-Spieler-Spielen einführt.
Die Arbeit stellt FBFL vor, einen neuartigen, auf Feldkoordinierung basierenden Ansatz für das Federated Learning, der durch dezentrale, räumlich organisierte Hierarchien und personalisierte Leader-Election-Verfahren nicht nur die Herausforderungen nicht-identisch verteilter (non-IID) Daten effektiv löst, sondern auch die Skalierbarkeit und Ausfallsicherheit gegenüber zentralisierten Architekturen wie FedAvg, FedProx und Scaffold verbessert.
Die Autoren stellen Clip21-SGD2M vor, einen neuen Algorithmus für das Federated Learning, der durch eine innovative Kombination aus Clipping, Heavy-Ball-Momentum und Error Feedback sowohl optimale Konvergenzraten bei beliebiger Datenheterogenität als auch starke lokale Differentialprivatsphäre-Garantien ohne restriktive Annahmen erreicht.
Diese Arbeit stellt eine umfassende Übersicht über generative Modelle in der Entscheidungsfindung vor, die durch eine funktionale Taxonomie im Rahmen von „Control as Inference" vier zentrale Rollen definiert, kritische Risiken in Hochrisikodomänen analysiert und den Weg zu allgemeinen physischen Intelligenzen aufzeigt.
Dieser Beitrag stellt BACE-RUL vor, ein bi-direktionales adversariales Netzwerk mit Kovariatenkodierung, das den Restnutzungsdauer von Maschinen ausschließlich auf Basis aktueller Sensormessungen vorhersagt und dabei bestehende Methoden in Bezug auf Genauigkeit und Anwendbarkeit übertrifft.
Die Arbeit zeigt, dass überwachtes Sicherheitstraining bei Vision-Language-Modellen durch irreführende oberflächliche Korrelationen anfällig für Umgehungsangriffe und übermäßige Zurückhaltung bleibt, und demonstriert, dass maschinelles Vergessen (Machine Unlearning) eine überlegene Alternative ist, um schädliches Wissen gezielt zu entfernen und gleichzeitig die Sicherheit sowie die Leistungsfähigkeit der Modelle zu verbessern.
Diese Studie stellt ein neuartiges, skalierbares Evaluierungsframework vor, das zeigt, dass die Fähigkeit von Large Language Models zur Fehlerlokalisation durch semantisch erhaltende Mutationen stark beeinträchtigt wird, was auf eine übermäßige Abhängigkeit von syntaktischen Merkmalen anstelle eines tiefen semantischen Verständnisses hinweist.