2316 Arbeiten
Die vorgestellte Arbeit entwickelt einen MCMC-gestützten Ansatz, der die Unsicherheitsquantifizierung dynamischer Systeme durch die Eingabe von Modellparameter-Verteilungen in das Netzwerktraining effizient und architekturunabhängig ermöglicht, ohne auf zeitaufwändige direkte Parametersondierungen angewiesen zu sein.
Der Artikel stellt „ForwardFlow" vor, ein rein simulationsbasiertes statistisches Inferenzverfahren, das ein einziges Deep-Learning-Netzwerk nutzt, um aus simulierten Daten Parameterschätzungen zu gewinnen und dabei Eigenschaften wie endliche Stichprobengenauigkeit, Robustheit gegenüber Datenverfälschungen und die automatische Approximation komplexer Algorithmen wie des EM-Algorithmus demonstriert.
Diese Arbeit stellt ein einheitliches Bayesian-Optimization-Framework mit Gauß-Prozessen vor, das die Suche nach stationären Punkten auf Potentialenergieflächen durch einen gemeinsamen Sechs-Schritte-Schleifenansatz, erweiterte Kernel-Methoden und effiziente Skalierung für hochdimensionale Systeme beschleunigt.
Die Autoren stellen eine datengetriebene, modellfreie Methode namens Factorized Neural Implicit DMD vor, die eine faktorisierbare Flussoperator-Parameterisierung nutzt, um die zeitliche Entwicklung parametrischer dynamischer Systeme mit hoher Dimensionalität und Nichtlinearität durch die Entkopplung räumlicher Modi und zeitlicher Evolution präzise vorherzusagen und dabei Stabilität, Generalisierungsfähigkeit sowie spektrale Analysen zu ermöglichen.
Diese Studie demonstriert die Reproduzierbarkeit des Gouwens-Frameworks für die Abbildung von Elektrophysiologie auf Transkriptomik in GABAergen Interneuronen und zeigt, dass ein auf Mausdaten vortrainiertes, aufmerksamkeitsbasiertes BiLSTM-Modell durch Transferlernen die Vorhersagegenauigkeit für menschliche Neuronenklassen im Vergleich zu einem rein menschlichen Trainingsansatz verbessert.
Diese Arbeit stellt die Leech-Gitter-Vektorquantisierung (LLVQ) vor, einen praktischen Algorithmus, der durch die Nutzung der optimalen Packungseigenschaften des 24-dimensionalen Leech-Gitters und einer effizienten Suche ohne explizite Codebooks den State-of-the-Art bei der Kompression von Large Language Models erreicht.
Die Arbeit stellt V2M-Zero vor, eine Methode zur Erzeugung von zeitlich synchronisierter Musik aus Videos ohne gepaarte Trainingsdaten, indem sie die gemeinsame zeitliche Struktur beider Modalitäten über intramodale Ereigniskurven nutzt, um Text-zu-Musik-Modelle effektiv für Video-zu-Musik-Aufgaben anzupassen.
Die Arbeit stellt NeFTY vor, ein differenzierbares physikalisches Framework, das mithilfe eines neuronalen Feldes und eines rigorosen numerischen Löschers die quantitative 3D-Rekonstruktion von Materialeigenschaften und die Lokalisierung von Untergrundfehlern aus transienten Oberflächentemperaturmessungen ermöglicht.
Die Arbeit stellt XConv vor, eine nahtlos integrierbare Methode zur drastischen Reduzierung des Speicherverbrauchs beim Training von Faltungsschichten durch komprimierte Aktivierungen und stochastische Gradientenschätzung, ohne dabei die Architektur einzuschränken oder die Leistung signifikant zu beeinträchtigen.
Diese Arbeit bietet eine umfassende Übersicht über dezentriertes Federated Learning (DFL) von 2018 bis 2026, klassifiziert die Methoden in traditionelle und blockchain-basierte Ansätze, entwickelt eine einheitliche, herausforderungsorientierte Taxonomie und identifiziert kritische Forschungsbedarfslücken in Bezug auf Topologie, Privatsphäre, Anreize und Modellziele.
Diese Arbeit beweist erstmals, dass stark überparametrisierte Convolutional Neural Networks durch die Anwendung verallgemeinerter Zufalls-Teilsummen-Probleme strukturierte „Winning Lottery Tickets" enthalten, die kleinere Netzwerke approximieren können, ohne trainiert zu werden.
Die Arbeit stellt einen neuartigen, theoretisch fundierten Filter für das Graph-Clustering vor, der durch die Konstruktion homophiler und heterophiler Teilgraphen sowie die Anwendung von Low- und High-Pass-Filtern in der Lage ist, sowohl homophile als auch heterophile reale Graphen effektiv zu verarbeiten und dabei den aktuellen State-of-the-Art-Methoden überlegen ist.
Diese Arbeit stellt einen Deep-Learning-Ansatz vor, der durch die gemeinsame Entdeckung von Koordinaten und Flusskarten eine präzise und recheneffiziente Zeitintegration für Multiskalen-Systeme ermöglicht und dabei sowohl die Fitzhugh-Nagumo-Neuronenmodelle als auch die chaotische Kuramoto-Sivashinsky-Gleichung erfolgreich behandelt.
Diese Arbeit stellt einen fairen Ansatz zur Erkennung mehrerer Zielgruppen in Online-Diskussionen vor, der im Kontext der Toxizitätserkennung sowohl die Vorhersagegenauigkeit verbessert als auch Verzerrungen zwischen verschiedenen Gruppen reduziert.
Dieses Papier stellt eine skalierbare, verteilte Multi-Agenten-Lösung mit Q-Learning vor, die die Latenz bei HD-Karten-Updates in Fahrzeugnetzen im Vergleich zu Single-Agent-Ansätzen signifikant reduziert und dabei die Rechenlast sowie Kompatibilitätsprobleme vermeidet.
Die vorgestellte Arbeit führt Sparse Variational Student-t Processes (SVTP) ein, ein skalierbares Framework, das durch zwei neue Inferenzalgorithmen und eine natürliche Gradientenoptimierung robuste und effiziente Modellierungen für Daten mit Ausreißern und schweren Verteilungsenden ermöglicht und dabei Sparse Gaussian Processes in Genauigkeit und Konvergenzgeschwindigkeit übertrifft.
Dieses Paper stellt HYGENE vor, eine bahnbrechende, auf Diffusionsmodellen basierende Methode, die durch einen schrittweisen lokalen Erweiterungsprozess realistische und vielfältige Hypergraphen generiert und damit erstmals tiefenlernbasierte Ansätze für die Hypergraph-Generierung ermöglicht.
Die Arbeit stellt ein einheitliches Framework vor, das Quantisierung und Sparsifizierung als additives Rauschen modelliert und durch eine prinzipiengeleitete Denoisings-Transformation eine stabile Gradientenbahn schafft, wodurch das Training von neuronalen Netzen mit beliebiger Präzision und Sparsity, einschließlich sub-1-Bit-Architekturen, ermöglicht wird.
Die Arbeit stellt ARLBench vor, einen effizienten und flexiblen Benchmark für das Hyperparameter-Optimieren in Reinforcement Learning, der durch die Auswahl repräsentativer Teilaufgaben kostspielige Vergleiche verschiedener AutoRL-Methoden auch mit begrenzten Rechenressourcen ermöglicht.
Die Arbeit stellt DRUPI vor, eine Methode zur Datensatzkondensation, die durch die Synthese privilegierter Informationen wie Feature- oder Attention-Labels die Leistung von reduzierten Datensätzen erheblich verbessert.