8033 Arbeiten
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.
Das Papier stellt Parallel Token Prediction (PTP) vor, ein Framework, das durch die Verschiebung der Zufälligkeit auf Eingangsvariablen mehrere Token in einem einzigen Vorwärtsdurchlauf deterministisch vorhersagt und so eine 2,4-fache Beschleunigung der Autogenerierung erreicht.
Die Studie stellt einen neuen maschinellen Lernansatz namens SVGP-KAN vor, der mithilfe von sparse variational Gaussian processes und Kolmogorov-Arnold-Netzwerken zeitlich aufgelöste Strömungsfelder aus spärlichen Messdaten rekonstruiert und dabei gleichzeitig zuverlässige epistemische Unsicherheitsquantifizierung bietet, was ihn im Vergleich zu klassischen Methoden und Kalman-Filtern als robustes Werkzeug für das Experimentdesign erweist.
Diese Studie zeigt, dass die Kombination von elektrischen Impedanzsignaturen von Zellen mit dem Random-Forest-Machine-Learning-Algorithmus eine Vorhersagegenauigkeit von etwa 90 % für die Klassifizierung von bösartigen Zellen ermöglicht.
Die Arbeit stellt den Spectral Sphere Optimizer (SSO) vor, einen effizienten Parallelalgorithmus, der durch die strikte Einhaltung spektraler Beschränkungen für Gewichte und Updates eine vollständige P-Ausrichtung gewährleistet und damit bei der Skalierung großer Modelle eine überlegene Konvergenz und Stabilität im Vergleich zu AdamW und Muon erreicht.
Die Arbeit stellt den Behavioral Profiling Ensemble (BPE)-Rahmen vor, der durch die Nutzung intrinsischer Verhaltensprofile einzelner Modelle anstelle von inter-modellen Unterschieden die Vorhersagegenauigkeit verbessert und gleichzeitig den Rechenaufwand im Vergleich zu bestehenden dynamischen Ensemble-Methoden reduziert.
Das Paper stellt EmboTeam vor, ein Framework für die kollaborative Aufgabenerfüllung heterogener Roboterteams, das die semantische Stärke von Large Language Models mit der Zuverlässigkeit klassischer PDDL-Planer und reaktiver Behavior Trees verbindet, um die Erfolgsrate bei komplexen Haushaltsaufgaben signifikant zu steigern.
ButterflyMoE überwindet die lineare Speicherskalierung von Mixture-of-Experts-Modellen auf Edge-Geräten, indem es Experten als geometrische Rotationen eines gemeinsamen ternären Substrats parametrisiert, was bei 256 Experten eine 150-fache Speicherreduktion bei vernachlässigbarem Genauigkeitsverlust ermöglicht.