7564 Arbeiten
Die Studie stellt EDINET-Bench vor, einen Open-Source-Benchmark auf Basis japanischer Jahresabschlüsse, der zeigt, dass selbst fortschrittliche Large Language Models bei komplexen Finanzaufgaben wie der Betrugserkennung nur marginal besser abschneiden als einfache logistische Regressionen und somit einen Bedarf an realistischeren, unterstützenden Evaluierungsrahmen aufzeigen.
Die Arbeit stellt SPEED-RL vor, eine adaptive Online-Curriculum-Learning-Methode, die durch die gezielte Auswahl von Trainingsbeispielen mittlerer Schwierigkeit die Trainingsgeschwindigkeit von Reasoning-Modellen um das Zwei- bis Sechsfache steigert, ohne die Genauigkeit zu beeinträchtigen.
Diese Arbeit stellt BWFlow vor, ein neuartiges Flow-Matching-Framework für die Graphengenerierung, das durch die Modellierung der gemeinsamen Entwicklung von Knoten und Kanten mittels Markov-Zufallsfeldern und optimaler Transporttheorie auf der Bures-Wasserstein-Metrik einen glatten Wahrscheinlichkeitspfad schafft, der die Trainingskonvergenz verbessert und die Sampling-Effizienz steigert.
Das Paper stellt ExSUL vor, ein neuartiges Online-Lernframework für die selektive Generierung, das durch eine innovative Konversionslemma und eine Strategie zur Freischaltung von Feedback auch unter adversariellen Bedingungen und mit nur teilweisem Benutzerfeedback eine kontrollierte False-Discovery-Rate bei gleichzeitiger hoher Antwortabdeckung erreicht.
Die Studie stellt SKANODEs vor, ein Framework, das Kolmogorov-Arnold-Netzwerke in Neural ODEs integriert, um aus Beschleunigungsdaten physikalisch interpretierbare latente Zustände zu rekonstruieren und präzise, symbolische Gleichungen für nichtlineare dynamische Systeme zu entdecken.
Die Arbeit stellt Presymplectification Networks (PSNs) vor, ein neuartiges Framework, das durch die Einbettung dissipativer, durch Dirac-Strukturen beschriebener mechanischer Systeme in einen höherdimensionalen Mannigfaltigkeit und die anschließende Vorhersage mit symplektischen Netzen (SympNets) erstmals eine strukturerhaltende, datengetriebene Modellierung komplexer Mehrkörpersysteme wie des ANYmal-Roboters ermöglicht.
Diese Studie analysiert die Robustheit von Reinforcement-Learning-Policies, indem sie interne synaptische Filterung und externe adversarische Angriffe kombiniert, um Parameter als fragil, robust oder antifragil zu klassifizieren und damit die Grundlage für widerstandsfähigere RL-Systeme zu schaffen.
Die Arbeit stellt MuRating vor, ein skalierbares Framework, das hochwertige englische Datenqualitätssignale nutzt, um einen einzigen multilingualen Bewertungsmechanismus für 17 Sprachen zu trainieren und dadurch die Leistung von 1,2-Milliarden-Parameter-LLMs sowohl in englischen als auch in multilingualen Benchmarks signifikant verbessert.
Die Arbeit stellt Overtone vor, einen effizienten und flexiblen PDE-Surrogat, der durch zyklische Modulation der Patch-Größe während der Inferenz systematische Fehlerakkumulation bei harmonischen Frequenzen reduziert und eine dynamische Anpassung von Genauigkeit und Rechenkosten ermöglicht.
Diese Arbeit leitet nahezu optimale Super-Approximationsfehlerabschätzungen für ReLU-Neuronale Netze bei Korobov-Funktionen her, die zeigen, dass die Ausdrucksstärke neuronaler Netze durch den Fluch der Dimensionalität kaum beeinträchtigt wird.
Diese Arbeit stellt ein Maximum-Entropie-Inverse-Reinforcement-Learning-Verfahren für unendliche Horizont-Mittelwertspiele vor, das mittels reproduzierender Kern-Hilberträume nichtlineare Belohnungsfunktionen aus Expertendemonstrationen ableitet und sowohl für stationäre als auch nicht-stationäre Szenarien theoretisch fundierte Optimierungsalgorithmen bereitstellt.
Die Arbeit stellt EDA vor, ein einheitliches theoretisches Framework für Diffusionsmodelle mit beliebigem Rauschen, das die Einschränkungen von EDM überwindet, die Restaurationsdistanz minimiert und sich durch hohe Generalisierungsfähigkeit und Effizienz bei verschiedenen medizinischen und natürlichen Bildwiederherstellungsaufgaben bewährt.
Die Autoren stellen einen quantenmechanischen EM-Algorithmus für Boltzmann-Maschinen vor, der das Problem der verschwindenden Gradienten umgeht und durch eine stabile, skalierbare Lernmethode auf hybriden Architekturen die Leistungsfähigkeit quantenbasiert generativer Modelle verbessert.
Die Arbeit stellt TIC-GRPO vor, einen neuen, kritikerfreien Algorithmus für Reinforcement Learning aus menschlichem Feedback, der durch die Einführung von Trajektorien-basierten Wichtigkeitskorrekturen eine schnellere Konvergenz und bessere Leistung als das etablierte GRPO erreicht.
Diese Studie entwickelt einen ehrlichen und zuverlässigen Bewertungsrahmen für die automatisierte neonatale Krampferkennung, der durch die Analyse gängiger Metriken und die Einführung eines Multi-Rater-Turing-Tests mit Fleiss-Kappa die klinische Validierung von KI-Modellen sicherstellt.
Die Studie untersucht praktische In-Training-Sicherheitsmaßnahmen gegen emergente Fehljustierung in Sprachmodellen und zeigt, dass das gezielte Einmischen von Trainingsdaten basierend auf dem Perplexitäts-Abstand zwischen ausgerichteten und fehljustierten Modellen die beste Balance zwischen Sicherheit und Leistung bietet.
Die Studie zeigt, dass die Rangfolgen führender Sprachmodelle in Systemen wie Chatbot Arena bereits durch das Entfernen eines winzigen Bruchteils der Präferenzdaten (z. B. 0,003 %) instabil werden können, wobei MT-Bench aufgrund von Expertenbewertungen robuster ist und weder Crowd- noch LLM-basierte Bewertungen systematisch anfälliger sind.
Diese Studie zeigt, dass Quantisierung die Bias-Eigenschaften von Large Language Modellen differenziert beeinflusst, indem sie zwar die Toxizität verringert, aber bei aggressiver Komprimierung Stereotype und Ungerechtigkeiten in generativen Aufgaben tendenziell leicht verstärkt.
Diese umfassende Studie untersucht den Einsatz von Multi-Agenten-Reinforcement-Learning in intelligenten Verkehrssystemen, indem sie eine strukturierte Taxonomie der Methoden, Anwendungen in Schlüsselbereichen wie der Ampelsteuerung und Fahrzeugkoordination sowie verwendete Simulationsplattformen und aktuelle Herausforderungen für den realen Einsatz vorstellt.
Diese Arbeit erklärt die Schwierigkeiten von GNN-basierten SAT-Lösern geometrisch durch negative Graphen-Ricci-Krümmung, die auf Informationsengpässe (Oversquashing) hinweist, und zeigt empirisch, dass diese Krümmung ein starker Indikator für die Problemkomplexität und Generalisierungsfehler ist.