2316 Arbeiten
Diese Arbeit stellt ein neues Verfahren vor, das mittels eines bayesschen nichtparametrischen Stoppkriteriums und optimaler Transporttheorie Repräsentationsverzerrungen bei der fairen Datenreparatur überwindet und dabei auch auf Archivdaten anwendbar ist.
Diese Arbeit stellt ein unüberwachtes Lernverfahren vor, das Sequenzdaten durch die Faktorisierung latenter Transformationen in spärlich aktive rotations- und potentialbasierte Vektorfelder analysiert, um damit neuartige entkoppelte Repräsentationen zu erzeugen, die sowohl unabhängige Faktoren als auch Transformationprimitive erfassen und gleichzeitig state-of-the-art-Ergebnisse in Bezug auf Datenwahrscheinlichkeit und äquivariante Fehler erzielen.
Diese Arbeit stellt einen datengesteuerten Ansatz vor, der auf Control Barrier Functions und differenzierbarer Optimierung basiert, um die Verantwortungszuweisung von Agenten in multi-agenten Interaktionen zu lernen und so ein quantitatives Verständnis dafür zu gewinnen, wie stark Akteure ihr Verhalten anpassen, um die Sicherheit anderer zu gewährleisten.
Die Autoren stellen einen neuartigen, maschinellen Lernansatz vor, der Gradientenabstieg auf der Grassmann-Mannigfaltigkeit mit Donaldsons Algorithmus kombiniert, um effiziente Näherungen für Calabi-Yau-Metriken zu berechnen und dabei das Auftreten nichttrivialer lokaler Minima in der Dwork-Familie zu untersuchen.
Diese Arbeit stellt zwei Subsampling-Schätzer, Adaptive Importance Sampling und Stratified Sub-sampling, für die robuste hochdimensionale Regression unter schweren Verteilungen, Kontamination und zeitlicher Abhängigkeit vor, schließt die Lücke zwischen Theorie und Algorithmus durch präzise Konvergenzgarantien und ermöglicht gültige Konfidenzintervalle, wobei empirische Ergebnisse eine signifikante Fehlerreduktion im Vergleich zu herkömmlichen Methoden zeigen.
Die Autoren stellen skalierbare Message-Passing-Neuronale Netze (SMPNNs) vor, die durch den Ersatz des aufwendigen Aufmerksamkeitsmechanismus durch standardmäßige Faltungsoperationen in Pre-Layer-Normalisierung-Blöcken tiefe, leistungsfähige Graph-Neuronale Netze für große Graphen ermöglichen und dabei theoretisch fundierte Lösungen für das Oversmoothing-Problem bieten.
Die Arbeit stellt SPDIM vor, einen parameter-effizienten geometrischen Deep-Learning-Ansatz, der auf der SPD-Mannigfaltigkeit basiert und durch Informationsmaximierung die Generalisierung von EEG-Modellen unter label-shifts und anderen Verteilungsverschiebungen ohne Ziel-Daten-Labels verbessert.
Diese Arbeit stellt einen unüberwachten Prognostik-Rahmen vor, der mittels eines Expectation-Maximization-Algorithmus und gewichteter funktionaler Regression sowohl latente Ausfallmodi identifiziert als auch informative Sensoren auswählt, um die verbleibende Nutzungsdauter in autonomen Tiefraumhabitaten unter Bedingungen ungelabelter Daten und unbekannter Ausfallmechanismen präzise vorherzusagen.
Die Autoren stellen MS-HGNN vor, ein morphologisch-symmetrie-äquivariantes heterogenes Graph-Neurales Netzwerk, das kinematische Strukturen und morphologische Symmetrien in Roboter-Dynamikmodellen integriert, um Generalisierbarkeit und Effizienz zu steigern, was durch theoretische Beweise und Experimente mit echten und simulierten Quadruped-Robotern validiert wurde.
Die Arbeit stellt CuriousBot vor, ein mobiles Explorationsystem, das durch einen 3D-relationalen Objektgraphen interaktives Erkunden komplexer Umgebungen ermöglicht und dabei VLM-basierte Ansätze in Bezug auf Generalisierung und Effektivität übertrifft.
Die Studie widerlegt die Annahme, dass für die Vorhersage von Peptidfunktionen komplexe Modelle zur Erfassung langreichweitiger Wechselwirkungen notwendig sind, und zeigt, dass einfache, lokale molekulare Fingerabdrücke in Kombination mit LightGBM auf 132 Datensätzen State-of-the-Art-Ergebnisse erzielen, die fortschrittliche Graph-Neural-Networks und Transformer-Modelle übertreffen.
Der Artikel stellt Astromer 2 vor, ein verbessertes vortrainiertes fundamentales Modell für Lichtkurven, das durch selbstüberwachtes Lernen auf 1,5 Millionen MACHO-Datenströmen signifikant bessere Klassifikationsergebnisse als sein Vorgänger erzielt und sich besonders bei geringen Mengen an gelabelten Daten bewährt.
Die Arbeit stellt ein einheitliches Framework vor, um zu quantifizieren, wie sich Personalisierung auf Vorhersagegenauigkeit und Erklärbarkeit auswirkt, und leitet statistische Grenzen ab, die aufzeigen, wann solche Effekte in realen Datensätzen überhaupt noch testbar sind.
Diese Arbeit führt das Konzept der räumlichen Signatur von Datensätzen ein, um die Robustheit semivalu-basierter Datenbewertung gegenüber Änderungen der Nutzenfunktion zu analysieren und eine praktische Methodik zur Quantifizierung dieser Stabilität zu entwickeln.
Diese Arbeit stellt einen integrierten Rahmen vor, der likelihood-freie Inferenz nutzt, um physikalische Parameter deformierbarer linearer Objekte aus visuellen und propriozeptiven Daten zu schätzen und so durch domänenrandomisierte, modellfreie Verstärkungslernen in der Simulation trainierte visuomotorische Strategien für eine Zero-Shot-Übertragung auf reale Manipulationsaufgaben zu ermöglichen.
Die vorgestellte Arbeit führt die theoretisch fundierte Feature Importance Rescaling (FIR)-Methode ein, welche durch eine gewichtete Anpassung der Merkmalsbeiträge die Zuverlässigkeit von Cluster-Validierungsindizes in verrauschten Gaußschen Mischmodellen signifikant verbessert und deren Übereinstimmung mit der Grundwahrheit auch bei überlappenden Clustern erhöht.
Dieser Perspektivartikel führt das Konzept der funktionalen Einheiten ein, um die Lücke zwischen traditionellen Struktur-Eigenschafts-Korrelationen und datengesteuerten KI-Ansätzen in der Materialwissenschaft zu schließen und so die Evolution von der „Prozess-Struktur-Eigenschafts-Leistung"-Paradigmen hin zu einem integrierten, KI-gestützten Forschungsrahmen zu unterstützen.
Der Artikel stellt HyConEx vor, einen neuartigen Deep-Learning-Klassifikator für tabellarische Daten, der dank seiner Hypernetzwerk-Architektur sowohl präzise Vorhersagen trifft als auch gleichzeitig lokale, erklärbare Gegenbeispiele (Counterfactuals) generiert, um die Entscheidungsfindung des Modells transparent zu machen.
Diese Studie untersucht empirisch die Leistungsfähigkeit von global optimalen Modellbäumen mit linearen Support-Vektor-Maschinen in den Blattknoten, die mittels gemischt-ganzzahliger linearer Programmierung gelernt werden, und zeigt, dass diese im Vergleich zu gierig konstruierten Bäumen und anderen Algorithmen bei gleichzeitig hoher Interpretierbarkeit wettbewerbsfähige Genauigkeit mit sehr kleinen Baumstrukturen erreichen.
Diese Arbeit kritisiert die vorherrschende Abhängigkeit von binären Klassifikationsmetriken in der ML-Praxis, plädiert für einen konsequentialistischen Ansatz mit angemessenen Scoring-Regeln wie dem Brier-Score, und stellt dazu einen theoretischen Rahmen sowie das Python-Paket \texttt{briertools} vor, um die Bewertung probabilistischer Vorhersagen praxisnah zu verbessern.