2175 Arbeiten
Die Autoren stellen zwei neue modellfreie Algorithmen für Single-Agent- und Federated-Reinforcement-Learning vor, die erstmals gleichzeitig nahezu optimale Regret, lineare Burn-in-Kosten in Bezug auf Zustands- und Aktionsraum sowie logarithmische Kosten für Politikwechsel oder Kommunikation erreichen.
Die Arbeit stellt ChannelTokenFormer vor, ein Transformer-basiertes Framework, das durch die gleichzeitige Modellierung von Kanalabhängigkeiten, asynchroner Abtastung und fehlenden Werten eine robuste multivariate Zeitreihenvorhersage unter realen Bedingungen ermöglicht.
Die vorgestellte Arbeit führt das Modell „Mixture of Interacting Cascades" (MIC) ein, das mithilfe von markierten mehrdimensionalen Hawkes-Prozessen die komplexe Wechselwirkung zwischen Informationskaskaden und Nutzerverhalten in sozialen Netzwerken gemeinsam modelliert und dabei sowohl eine überlegene Leistung als auch aussagekräftige Visualisierungen ermöglicht.
Die Arbeit stellt ConLID vor, eine Methode des überwachten kontrastiven Lernens, die die domänenunabhängige Sprachidentifikation für ressourcenarme Sprachen verbessert und deren Leistung auf Out-of-Domain-Daten um 3,2 Prozentpunkte steigert, ohne die Ergebnisse für ressourcenstarke Sprachen zu beeinträchtigen.
Diese Arbeit liefert die ersten globalen Konvergenzgarantien für eine Variante des iterativ gewichteten kleinsten Quadrate-Verfahrens (IRLS) mit dynamischer Regularisierung, die unter deterministischen Bedingungen von jeder Initialisierung aus linear zum zugrunde liegenden Unterraum konvergiert und diese Ergebnisse zudem auf die affinen Unterraumschätzung sowie Anwendungen im Training neuronaler Netze erweitert.
Die Arbeit leitet unter Verwendung diskreter Gronwall-Ungleichungen Konvergenzraten für die letzte Iteration von stochastischem Gradientenabstieg und stochastischem Heavy-Ball-Verfahren bei konvexen und nicht-konvexen Zielfunktionen mit -Hölder-stetigem Gradienten her.
Diese Studie vergleicht DeepONet-Architekturen für die Konsolidierung in der Geotechnik, identifiziert eine physikinspirierte Variante mit Fourier-Features als leistungsfähigste Lösung und demonstriert deren Potenzial zur drastischen Beschleunigung der Unsicherheitsquantifizierung in 3D-Szenarien.
Dieses Paper stellt LangevinFlow vor, ein physikinspiriertes sequenzielles Variational Auto-Encoder-Modell, das unterdämpfte Langevin-Dynamik und lokal gekoppelte Oszillatoren nutzt, um latente neuronale Dynamiken präziser zu modellieren als bestehende Methoden.
Die Arbeit stellt „Latent Policy Steering" (LPS) vor, eine Methode, die durch Vortraining eines Weltmodells mit embodiment-unabhängigem optischem Fluss und anschließendem Feinabstimmen auf wenigen Zielsystem-Demonstrationen die Leistung visuomotorischer Robotik-Policies in datenarmen Szenarien erheblich verbessert.
Diese Arbeit stellt MLES vor, einen neuartigen Ansatz, der multimodale Large Language Models mit evolutionärer Suche kombiniert, um transparente, verifizierbare und leistungsfähige programmatische Steuerungsstrategien zu entdecken, die die Black-Box-Natur herkömmlicher Deep-Reinforcement-Learning-Policies überwinden.
Die Arbeit stellt CTRL vor, eine Meta-Learning-Methode, die durch die Kombination von residualer Transferlernung und adaptiver Clusterbildung die Vorhersagegenauigkeit über viele kleine, heterogene Datenquellen hinweg verbessert und dabei gleichzeitig die spezifischen Unterschiede zwischen den Quellen bewahrt.
Diese Studie stellt einen neuartigen Ansatz vor, bei dem mithilfe von KI-generiertem Gesang und virtuellen Avataren (insbesondere mit dem Tool HeyGem) Lehrpläne in unterhaltsame audiovisuelle Präsentationen umgewandelt werden, um das Engagement der Studierenden zu steigern und die Merkfähigkeit wichtiger Kursinformationen zu verbessern.
Diese Arbeit stellt einen dateneffizienten, topologiebewussten Graph-Neural-Network-Ansatz vor, der durch domänenspezifische Merkmalsindizierung und Transistor-Level-Graphenabstraktionen die Leistungsvorhersage aktiver RF-Schaltungen mit einer durchschnittlichen relativen Fehlerquote von 3,45 % und einer deutlich verbesserten Generalisierungsfähigkeit ermöglicht.
Die Studie stellt eine iterative In-Context-Learning-Methode vor, die durch schrittweise Auswahl angepasster Few-Shot-Beispiele und explizite Anweisungen die systematische Generalisierungsfähigkeit von LLMs bei algebraischen Aufgaben mit nicht-standardisierten Rechenregeln verbessert, wobei überraschenderweise einfachere Beispiele oft wirksamer sind als komplexe.
Diese Arbeit stellt ein auf einem residualen neuronalen Netz basierendes Surrogatmodell vor, das die Stromverteilung in REBCO-Solenoiden effizient vorhersagt und damit die zeitaufwendige Optimierung von Hochtemperatursupraleiter-Magneten durch schnelle und präzise Designprozesse ermöglicht.
Diese Arbeit untersucht und vergleicht verschiedene Monte-Carlo-Quadraturmethoden mit repulsiven Knoten zur effizienten Berechnung des geschnittenen Wasserstein-Abstands auf der Kugel, wobei sie insbesondere die Varianzreduktion durch deterministische Punktprozesse analysiert und für niedrige Dimensionen randomisierte Quasi-Monte-Carlo-Verfahren sowie für hohe Dimensionen den UnifOrtho-Schätzer empfiehlt.
Dieses Paper stellt den Robot Control Stack (RCS) vor, ein schlankes und modulares Ökosystem, das speziell entwickelt wurde, um die Forschung im Bereich des Robot Learning mit großen generalistischen Vision-Language-Action-Modellen zu unterstützen und dabei die Lücke zwischen Simulation und realer Welt zu schließen.
Diese Arbeit stellt ein score-basiertes generatives Modell vor, das stochastische Kuramoto-Dynamiken nutzt, um die Erzeugung von orientierungsreichen Bildern wie Fingerabdrücken und Texturen durch die Modellierung von Phasensynchronisation auf periodischen Domänen zu verbessern.
Die Arbeit stellt ZeroSiam vor, eine effiziente asymmetrische Siamese-Architektur, die durch Divergenz-Alignment mit einem Stop-Gradient-Operator das Kollabieren von Modellen während der Testzeit-Entropieoptimierung verhindert und gleichzeitig die Anpassungsfähigkeit und Leistung bei visuellen sowie sprachbasierten Aufgaben verbessert.
Die Arbeit stellt General Policy Composition (GPC) vor, eine trainingsfreie Methode, die durch die testzeitliche konvexe Kombination von Verteilungsscores mehrerer vortrainierter Diffusions- oder Flow-basierter Roboterpolicies deren Leistung über das Niveau der einzelnen Elternmodelle hinaus steigert.