cs.LG Arbeiten | Gist.Science

Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials

Zatom-1 ist das erste vollständig quelloffene Multimodal-Flow-Foundation-Modell, das durch eine gemeinsame generative Vortrainierung diskreter Atomtypen und kontinuierlicher 3D-Geometrien die generative und prädiktive Modellierung von 3D-Molekülen und Materialien vereint, dabei spezialisierte Baseline-Modelle in Genauigkeit und Geschwindigkeit übertrifft und einen positiven Transfer zwischen chemischen Domänen ermöglicht.

Alex Morehead, Miruna Cretu, Antonia Panescu + 14 more2026-03-06🔬 cond-mat.mtrl-sci

Regularized Online RLHF with Generalized Bilinear Preferences

Die Arbeit stellt zwei statistisch effiziente Algorithmen für das kontextuelle Online-RLHF mit einem generalisierten bilinearen Präferenzmodell vor, die durch die Ausnutzung der starken Konvexität und der Schief-Symmetrie polylogarithmische bzw. dimensionsunabhängige Regret-Schranken garantieren.

Junghyun Lee, Minju Hong, Kwang-Sung Jun + 2 more2026-03-06💻 cs

Lap2: Revisiting Laplace DP-SGD for High Dimensions via Majorization Theory

Die Arbeit stellt Lap2 vor, eine neue Methode, die durch die Anwendung von Majorisierungstheorie und die Berechnung koordinatenweiser Momentenschranken die Beschränkung auf die L1-Norm beim Laplace-DP-SGD überwindet, um eine effiziente L2-Klippung in hochdimensionalen Modellen zu ermöglichen und damit die Genauigkeit unter starken Privatsphäre-Bedingungen signifikant zu verbessern.

Meisam Mohammady, Qin Yang, Nicholas Stout, Ayesha Samreen, Han Wang, Christopher J Quinn, Yuan Hong2026-03-06🔒 cs.CR

Inference-time optimization for experiment-grounded protein ensemble generation

Die vorgestellte Arbeit führt ein generisches Optimierungsframework zur Inferenzzeit ein, das durch die direkte Optimierung latenter Repräsentationen und neuartiger Boltzmann-gewichteter Stichprobenverfahren experimentell fundierte Protein-Ensembles erzeugt, die physikalisch plausibler sind und besser mit experimentellen Daten übereinstimmen als bestehende Methoden, während sie gleichzeitig eine Anfälligkeit aktueller Konfidenzmetriken aufdecken.

Advaith Maddipatla, Anar Rzayev, Marco Pegoraro + 5 more2026-03-06💻 cs

Jailbreak Foundry: From Papers to Runnable Attacks for Reproducible Benchmarking

Das Paper stellt JAILBREAK FOUNDRY (JBF) vor, ein Multi-Agenten-System, das Sicherheitslücken-Forschungspapiere automatisch in ausführbare Module übersetzt, um durch eine standardisierte Infrastruktur reproduzierbare und vergleichbare Benchmarks für die Robustheit von Large Language Models zu ermöglichen.

Zhicheng Fang, Jingjie Zheng, Chenxu Fu, Wei Xu2026-03-06🔒 cs.CR

DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer

Die Arbeit stellt DiffusionHarmonizer vor, ein Online-Framework, das mithilfe eines einzelnen, zeitlich konditionierten Diffusions-Enhancers und einer speziellen Datenaufbereitung neuartige Ansichten aus neuralen Rekonstruktionen in fotorealistische und zeitlich konsistente Simulationen umwandelt, um Artefakte zu beheben und dynamische Objekte realistisch zu integrieren.

Yuxuan Zhang, Katarína Tóthová, Zian Wang + 7 more2026-03-06💻 cs

Fine-grained Soundscape Control for Augmented Hearing

Die Studie stellt Aurchestra vor, ein System für Hearables, das erstmals eine feingranulare, Echtzeit-Steuerung mehrerer überlappender Schallquellen direkt auf ressourcenbeschränkten Geräten ermöglicht, indem es eine dynamische Schnittstelle und ein optimiertes Multi-Output-Extraktionsnetzwerk kombiniert, um die Umgebung wie ein Audio-Mischpult individuell anzupassen.

Seunghyun Oh, Malek Itani, Aseem Gauri + 1 more2026-03-06💻 cs

Agents Learn Their Runtime: Interpreter Persistence as Training-Time Semantics

Die Studie zeigt, dass die Persistenz von Interpreter-Zuständen während des Trainings die Effizienz und Stabilität von Agenten-LLMs maßgeblich beeinflusst, indem sie bei Nichtübereinstimmung mit der Laufzeitumgebung zu hohen Token-Kosten oder häufigen Fehlern führt, ohne die Lösungsqualität selbst zu verändern.

Victor May, Aaditya Salgarkar, Yishan Wang + 2 more2026-03-06💻 cs

Learn Hard Problems During RL with Reference Guided Fine-tuning

Die Arbeit stellt ReGFT vor, eine Methode, die menschliche Referenzlösungen nutzt, um positive Lernpfade für schwierige mathematische Probleme zu synthetisieren und so die Reward-Sparsity bei Reinforcement Learning zu überwinden, was zu schnellerem Training und besseren Ergebnissen führt.

Yangzhen Wu, Shanda Li, Zixin Wen + 5 more2026-03-06💻 cs

VoxKnesset: A Large-Scale Longitudinal Hebrew Speech Dataset for Aging Speaker Modeling

Das Paper stellt VoxKnesset vor, einen großen, longitudinalen hebräischen Sprachdatensatz mit Parlamentsaufnahmen von 393 Sprechern über 15 Jahre, der genutzt wird, um die Auswirkungen des Alterns auf die Sprechererkennung und Altersvorhersage zu untersuchen und robuste Sprachsysteme zu entwickeln.

Yanir Marmor, Arad Zulti, David Krongauz + 4 more2026-03-06💻 cs

MatRIS: Toward Reliable and Efficient Pretrained Machine Learning Interatomic Potentials

Die Arbeit stellt MatRIS vor, ein effizientes und skalierbares invariantes Machine-Learning-Interatompotential, das durch einen neuartigen separablen Aufmerksamkeitsmechanismus die Genauigkeit führender äquivarianter Modelle bei deutlich geringeren Trainingskosten erreicht.

Yuanchang Zhou, Siyu Hu, Xiangyu Zhang + 3 more2026-03-06💻 cs

Conformal Graph Prediction with Z-Gromov Wasserstein Distances

Die Autoren schlagen einen konformen Vorhersagerahmen für graphenbasierte Ausgaben vor, der mithilfe des Z-Gromov-Wasserstein-Abstands und der Score Conformalized Quantile Regression (SCQR) eine verteilungsfreie Unsicherheitsquantifizierung für strukturierte Graphen wie Moleküle ermöglicht.

Gabriel Melo, Thibaut de Saivre, Anna Calissano + 1 more2026-03-06💻 cs

IoUCert: Robustness Verification for Anchor-based Object Detectors

Das Paper stellt IoUCert vor, ein neuartiges formales Verifikationsframework, das erstmals die Robustheitsprüfung realer, ankerbasierter Objektdetektoren wie SSD und YOLO durch die Entwicklung einer präzisen Koordinatentransformation und einer optimierten Intervallgrenzenausbreitung für IoU-Berechnungen ermöglicht.

Benedikt Brückner, Alejandro J. Mercado, Yanghao Zhang, Panagiotis Kouvaros, Alessio Lomuscio2026-03-06🔒 cs.CR

Incremental Graph Construction Enables Robust Spectral Clustering of Texts

Die vorgestellte Arbeit führt eine inkrementelle $k$ -NN-Graph-Konstruktion ein, die durch gezielte Verknüpfung neuer Knoten mit bereits eingefügten Nachbarn die Konnektivität garantiert und so die Robustheit des spektralen Clusterings von Text-Embeddings insbesondere bei geringer Nachbarschaftszahl ( $k$ ) verbessert.

Marko Pranjić, Boshko Koloski, Nada Lavrač + 2 more2026-03-06💻 cs

Inverse Reconstruction of Shock Time Series from Shock Response Spectrum Curves using Machine Learning

Die Studie stellt einen auf einem Conditional Variational Autoencoder basierenden maschinellen Lernansatz vor, der die rekonstruktive Umkehrung von Schockantwortspektren zu Beschleunigungszeitreihen effizient und ohne iterative Optimierung ermöglicht und dabei sowohl höhere spektrale Genauigkeit als auch eine um mehrere Größenordnungen schnellere Inferenz als herkömmliche Methoden bietet.

Adam Watts, Andrew Jeon, Destry Newton + 1 more2026-03-06💻 cs

AOI: Turning Failed Trajectories into Training Signals for Autonomous Cloud Diagnosis

Die Arbeit stellt AOI vor, ein trainierbares Multi-Agenten-Framework, das durch die Kombination von GRPO-basiertem Lernen auf lokalen Modellen, einer sicheren Trennung von Lese- und Schreibzugriffen sowie einem geschlossenen Regelkreis zur Umwandlung gescheiterter Trajektorien in Trainingsdaten die Automatisierung von SRE-Aufgaben in geschützten Unternehmensumgebungen signifikant verbessert.

Pei Yang, Wanyi Chen, Asuka Yuxi Zheng + 11 more2026-03-06💻 cs

RADAR: Learning to Route with Asymmetry-aware DistAnce Representations

Die Arbeit stellt RADAR vor, ein skalierbares neuronales Framework, das durch die Kombination von Singulärwertzerlegung zur Initialisierung statischer Embeddings und Sinkhorn-Normalisierung für dynamische Asymmetrie in Aufmerksamkeitsmechanismen bestehende Lösungsansätze für Fahrzeug-Routing-Probleme erweitert und so eine robuste Generalisierung auf asymmetrische Distanzen ermöglicht.

Hang Yi, Ziwei Huang, Yining Ma + 1 more2026-03-06💻 cs

stratum: A System Infrastructure for Massive Agent-Centric ML Workloads

Das Paper stellt Stratum vor, eine neue Systeminfrastruktur, die die Ausführung von ML-Pipelines von der Planung autonomer Agenten entkoppelt und durch die Kompilierung in optimierte Ausführungsgraphen sowie die Nutzung heterogener Backends, einschließlich einer Rust-Laufzeitumgebung, die Skalierbarkeit und Geschwindigkeit von agenter Pipelinesuche in der Python-ML-Ökosystem um bis zu 16,6-fach steigert.

Arnab Phani, Elias Strauss, Sebastian Schelter2026-03-06💻 cs

Why Are Linear RNNs More Parallelizable?

Diese Arbeit erklärt die überlegene Parallelisierbarkeit linearer RNNs im Vergleich zu nichtlinearen RNNs durch eine Verbindung zu Komplexitätsklassen, wonach lineare RNNs logarithmische Tiefenschaltungen darstellen, während nichtlineare Varianten P-vollständige Probleme lösen können, was eine fundamentale Barriere für ihre effiziente Parallelisierung darstellt.

William Merrill, Hongjian Jiang, Yanhong Li + 2 more2026-03-06💻 cs

DMD-augmented Unpaired Neural Schrödinger Bridge for Ultra-Low Field MRI Enhancement

Die Autoren stellen einen unpaarigen Übersetzungsrahmen auf Basis des Neuralen Schrödinger-Brücken-Modells vor, der durch Diffusions-gestützte Verteilungsausrichtung und anatomische Regularisierung die Bildqualität von Ultra-Niederfeld-MRT-Aufnahmen (64 mT) verbessert, ohne dabei die anatomische Struktur zu verfälschen.

Youngmin Kim, Jaeyun Shin, Jeongchan Kim + 5 more2026-03-06💻 cs

← Zurück Weiter →