7930 Arbeiten
Diese Arbeit stellt ein end-zu-end Deep-Learning-Verfahren namens SPOT vor, das mittels trainierbarer Phasen- und Zeitverzögerungskoeffizienten in Phasen-Zeit-Arrays optimierte Regenbogenstrahlen erzeugt, um die Position eines Nutzers bereits nach einer einzigen Downlink-Übertragung mit deutlich geringerem Overhead und höherer Genauigkeit zu bestimmen.
ReCast ist ein zuverlässigkeitsbewusstes, codebuchgestütztes Framework für die Zeitreihenvorhersage, das durch Patch-Quantisierung und eine duale Architektur mit robusten Aktualisierungsstrategien effiziente und genaue Vorhersagen für komplexe, nicht-stationäre Daten ermöglicht.
Die Arbeit stellt FlashCache vor, einen frequenzdomänengesteuerten Ansatz zur Komprimierung des Multimodal-KV-Caches, der durch die Identifizierung und Erhaltung von Ausreißer-KV-Paaren sowie eine dynamische Budgetzuweisung die Inferenzgeschwindigkeit und Speichereffizienz von Multimodal Large Language Models signifikant verbessert, ohne die Leistung zu beeinträchtigen.
Das Paper stellt ObAct vor, ein Framework für aktives visuelles Imitationslernen, bei dem ein Roboterarm als Beobachter eine 3D-Gaussian-Splatting-Repräsentation erstellt und eine optimale Kameraposition einnimmt, um die Sichtbarkeit für den ausführenden Arm zu maximieren und so die Robustheit der Politik gegenüber Verdeckungen signifikant zu verbessern.
Die Studie stellt CycleChemist vor, ein duales maschinelles Lernframework, das auf dem größten OPV-Datensatz (OPV2D) basiert und durch die Kombination von Vorhersagemodellen für die Leistungsfähigkeit mit einem generativen Transformer-Ansatz die datengetriebene Entdeckung hochleistungsfähiger organischer Photovoltaikmaterialien ermöglicht.
Die vorgestellte Arbeit entwickelt ein physik-informiertes U-Net-LSTM-Netzwerk, das durch die Integration physikalischer Gesetze in ein Deep-Learning-Framework die Genauigkeit und Effizienz bei der Vorhersage nichtlinearer seismischer Strukturantworten im Vergleich zu rein datengetriebenen Methoden verbessert.
Die Arbeit stellt DPAC vor, eine Methode zur adversarialen Steuerung von Diffusionsmodellen, die durch Projektion der Gradienten auf den Tangentialraum der generativen Score-Geometrie die Verteilungserhaltung optimiert und so bei gleicher Angriffserfolgsrate eine signifikant höhere Bildqualität und geringere Verteilungsdrift erreicht.
Diese Studie präsentiert eine Implementierungsanalyse bei Shriners Childrens, die durch die Modernisierung des Datenwarehouses auf OMOP CDM v5.4, die Entwicklung eines Python-basierten Datenqualitäts-Tools nach dem METRIC-Rahmenwerk und den Vergleich von KI-Implementierungsstrategien für Kraniofaziale Mikrosomie dazu beiträgt, vertrauenswürdige KI in der Gesundheitsversorgung zu fördern.
Der Artikel stellt GRAND vor, einen hybriden, hierarchischen Algorithmus, der lernbasierte globale Guidance mit effizienter Optimierung kombiniert, um die Durchsatzleistung von Multi-Agenten-Systemen in Lagerhäusern um bis zu 10 % zu steigern und dabei Echtzeit-Anforderungen zu erfüllen.
Die vorgestellte Arbeit führt einen Fairness-bewussten Fine-Tuning-Ansatz für medizinische Vision-Language-Modelle zur Glaukomdiagnose ein, der durch eine differentiable MaxAccGap-Verlustfunktion und effiziente Low-Rank Adaptation (LoRA) die diagnostischen Genauigkeitsunterschiede zwischen demografischen Gruppen um 69 % reduziert, ohne dabei die Gesamtgenauigkeit signifikant zu beeinträchtigen.
Die Arbeit stellt die „Guided Flow Policy" (GFP) vor, eine Offline-Reinforcement-Learning-Methode, die durch die Kopplung eines mehrstufigen Flow-Matching-Policies mit einem destillierten Ein-Schritt-Aktor und einer gewichteten Behavior-Cloning-Strategie erfolgreich hochwertige Aktionen aus dem Datensatz lernt und dabei in 144 verschiedenen Aufgaben State-of-the-Art-Ergebnisse erzielt.
Die Studie zeigt, dass das Mischen einer skalaren Belohnung für die Einhaltung einer kanonischen Lösungsreihenfolge mit der eigentlichen Aufgabenbelohnung beim Reinforcement-Learning-Post-Training von Transformern auf Zebra-Rätseln die Leistung verbessert, indem es das Modell zu kanonischen Lösungspfaden lenkt, ohne die Architektur oder die überwachungsdaten zu ändern.
Die Arbeit stellt NeuralRemaster vor, eine modellunabhängige Methode namens Phase-Preserving Diffusion (φ-PD), die bei der Generierung von Bildern und Videos die Phasenkomponente des Eingabesignals bewahrt, um strukturerhaltende und geometrisch konsistente Ergebnisse für Aufgaben wie Re-Rendering und Sim-to-Real-Transfer zu ermöglichen.
Die Arbeit stellt eine einfache Nachtrainierungsmethode vor, die Transformer-Aufmerksamkeit durch eine flexible Sparsamkeitsregularisierung auf etwa 0,4 % der Kanten reduziert, ohne die Leistung zu beeinträchtigen, und dadurch deutlich vereinfachte, interpretierbare Schaltkreise sowie eine vereinheitlichte Sicht auf Merkmals- und Schaltungsperspektiven ermöglicht.
Die Studie stellt SACP (Symmetric Aggregated Conformal Prediction) vor, eine neuartige Methode zur effizienten Aggregation von Konformitätswerten mehrerer Vorhersagemodelle durch e-Werte und symmetrische Aggregationsfunktionen, um präzisere und zuverlässigere Unsicherheitsmengen zu erzeugen.
Dieses Paper stellt TAP vor, einen neuartigen, trainingsfreien Rahmen, der Large Language Models und evolutionäre Suchstrategien nutzt, um automatisch überlegene Proxy-Modelle für die gemischte Präzisionsquantisierung zu entdecken und dabei menschliches Expertenwissen sowie aufwendige Optimierungen überflüssig macht.
Das Paper stellt ReFusion vor, ein neuartiges Masked-Diffusion-Modell, das durch die Integration von Sequenzreorganisation in den kausalen Aufmerksamkeitsrahmen paralleles Slot-Level-Decoding ermöglicht, wodurch es sowohl die Ineffizienz von KV-Caching als auch die Lernkomplexität überwindet und gleichzeitig die Leistung früherer Diffusionsmodelle deutlich übertrifft und sich der Geschwindigkeit von autoregressiven Modellen annähert.
Dieser Artikel stellt nicht-asymptotische und verteilungsfreie Methoden vor, um den -Kalibrierungsfehler von Binärklassifikatoren auf endlichen Datensätzen durch eine obere Schranke für Funktionen mit beschränkter Variation sowie durch eine effiziente Modifikation beliebiger Klassifikatoren zu quantifizieren, ohne deren Leistung signifikant zu beeinträchtigen.
Die Arbeit stellt RePo vor, eine neuartige Methode zur dynamischen Neupositionierung von Kontext-Token in Sprachmodellen, die auf der Kognitiven Lasttheorie basiert und durch die Reduzierung unnötiger kognitiver Belastung die Leistung bei Aufgaben mit verrauschtem Kontext, strukturierten Daten und längeren Eingaben verbessert.
Die Studie stellt AMPEND-LS vor, ein agentices Multi-Persona-Framework, das durch die Synergie von LLMs und SLMs sowie eine evidenzbasierte Reasoning-Pipeline multimodale Fake News genauer und erklärbarer erkennt als bisherige Methoden.