9620 Arbeiten
Die Arbeit stellt JPmHC vor, ein stabiles und speichereffizientes Framework für Hyper-Connections, das durch die Beschränkung trainierbarer Mixer auf orthogonale Mannigfaltigkeiten und eine freie Wahrscheinlichkeitsanalyse die Gradientenstabilität verbessert und auf ARC-AGI zu schnellerer Konvergenz sowie höherer Genauigkeit führt.
Die Arbeit stellt DRESS vor, einen deterministischen, parameterfreien und isomorphieinvarianten Rahmen zur iterativen Verfeinerung von Graphstrukturen, der durch Konvergenz eines nichtlinearen dynamischen Systems ein numerisch stabiles Kanten-Fingerprint erzeugt und dabei die Ausdrucksstärke des 2-WL-Tests bei deutlich geringerer Rechenkomplexität erreicht, während Erweiterungen wie Δ-DRESS die Unterscheidungskraft weiter steigern.
FlowCorrect ist ein effizientes, interaktives Lernverfahren, das generative Fluss-Policies für die robotische Manipulation durch spärliche menschliche Korrekturen in Echtzeit anpasst, ohne das Grundmodell neu trainieren zu müssen, und so die Erfolgsrate bei vorherigen Fehlern deutlich steigert.
Die Arbeit stellt AOT-SFT, einen großen adversarischen Datensatz, und das AOT-Rahmenwerk vor, das durch ein selbstspielendes Ko-Evolutions-Training zwischen einem Bildbearbeitungs-Angreifer und einem verteidigenden multimodalen Sprachmodell die Robustheit und Zuverlässigkeit von MLLMs in visuell komplexen Szenen erheblich verbessert.
Das Paper stellt GR4AD vor, ein produktionsreifes generatives Empfehlungssystem für Kuaishous großflächige Werbung, das durch innovative Komponenten wie UA-SID-Tokenisierung, LazyAR-Decodierung und RSPO-Optimierung eine signifikante Umsatzsteigerung bei gleichzeitiger effizienter Echtzeit-Skalierung ermöglicht.
Die Arbeit stellt AMA-Bench vor, ein neues Benchmark zur Bewertung des Langzeitgedächtnisses von LLM-Agenten in realen Anwendungsszenarien, und stellt mit AMA-Agent ein überlegenes Gedächtnissystem vor, das durch einen Kausalitätsgraphen und eine werkzeuggestützte Suche die Leistungsfähigkeit bestehender Systeme deutlich verbessert.
Diese Arbeit stellt den vollständigen CTFIDU+-Algorithmus vor, der die Identifizierbarkeit von kontrafaktischen Abfragen aus physikalisch realisierbaren Daten der dritten Ebene der kausalen Hierarchie charakterisiert, die theoretischen Grenzen der exakten kausalen Inferenz aufzeigt und neue analytische Schranken für nicht identifizierbare Größen ableitet.
Die Arbeit schließt die Lücke in der Bewertung von Musikgenerierungsmodellen, indem sie ein umfassendes Ökosystem für Reward-Modelle unter kompositorischen multimodalen Anweisungen (CMI) einführt, das aus einem großen Datensatz, einem menschlich annotierten Korpus und einem einheitlichen Benchmark besteht, um die Ausrichtung auf Musikalität und Text-Musik-Konsistenz zu verbessern.
Diese Studie nutzt eine neuartige Methode zur kausalen Verfolgung von Schaltkreisen in Single-Cell-Grundmodellen, um herauszufinden, dass beide untersuchten Modelle trotz unterschiedlicher Architekturen eine dominante inhibitorische Dynamik und hohe biologische Kohärenz aufweisen, wobei konsensbasierte Domänen signifikant mit Krankheitsassoziationen verknüpft sind.
Diese Arbeit stellt ein qualitatives Inhaltsanalyse-Framework zur Annotation von Inflationsnarrativen als gerichtete azyklische Graphen vor und zeigt durch eine experimentelle Auswertung, dass lokal eingeschränkte Repräsentationen die Annotationsschwankungen verringern, während überlappungsbasierte Metriken die Zuverlässigkeit überschätzen.
Die vorgestellte Arbeit schlägt ein tensorfaktorisierungsbasiertes statistisches Modell vor, das kostengünstige automatische Bewertungen mit einer kleinen Menge menschlicher Referenzdaten kombiniert, um effiziente, promptgenaue Evaluierungen von Generativmodellen durchzuführen, die menschliche Präferenzen präziser vorhersagen als herkömmliche Methoden.
Dieser Artikel etabliert Federated Inference als eigenständiges, datenschutzfreundliches Paradigma für die kollaborative Modellinferenz, das durch eine systemische Analyse der zugrundeliegenden Anforderungen, Designkompromisse und praktischen Herausforderungen einen einheitlichen Rahmen für skalierbare, incentivisierte und private Inferenzsysteme bietet.
Diese Arbeit zeigt, dass beim Approximieren eines einzelnen ReLU-Neurons durch neuronales Pruning eine exponentiell größere Überparametrisierung erforderlich ist als beim unstrukturierten Gewichtspruning, was eine fundamentale theoretische Lücke zwischen den beiden Paradigmen aufdeckt.
Diese Arbeit bietet eine einheitliche Untersuchung der Wechselwirkungen zwischen dem Temperaturparameter und anderen Trainingselementen bei der wissensbasierten Destillation, um praktische Leitlinien für die optimale Temperaturwahl zu entwickeln.
Dieses Papier plädiert für ein neues Paradigma der kausalen Lernforschung, das durch die Integration von Crowdsourcing, Expertenwissen und KI-Simulationen eine verteilte Entscheidungsfindung ermöglicht, um globale kausale Strukturen zu rekonstruieren, die für einzelne Akteure unzugänglich sind.
Die Arbeit stellt Probe-Select vor, eine effiziente Plug-in-Methode, die die Bildqualität von Text-zu-Bild-Generierungsmodellen bereits anhand früher Denoiser-Aktivierungen vorhersagt, um vielversprechende Samen frühzeitig auszuwählen und so die Sampling-Kosten um über 60 % zu senken, ohne das zugrunde liegende Modell zu verändern.
Diese Arbeit stellt einen Lernalgorithmus für Markov-Entscheidungsprozesse mit exogenen Dynamiken vor, der durch Ausnutzung der strukturellen Unabhängigkeit der Zustandskomponenten von den Aktionen des Agenten signifikant verbesserte Regret-Schranken und eine höhere Stichprobeneffizienz im Vergleich zu herkömmlichen Reinforcement-Learning-Methoden erreicht.
AriadneMem ist ein strukturiertes Speichersystem für LLM-Agenten, das durch eine zweiphasige Pipeline mit Entropie-basiertem Filtern, konfliktbewusster Vergröberung und algorithmischer Brückenfindung die Genauigkeit bei mehrstufigen Schlussfolgerungen signifikant steigert und gleichzeitig die Laufzeit drastisch reduziert.
Die Studie stellt einen hybriden Ansatz vor, der durch Feinabstimmung auf kuratierte landwirtschaftliche Fakten und eine separate Antwort-Schicht die Genauigkeit und Sicherheit von KI-Beratungssystemen für Kleinbauern in Indien verbessert und dabei kosteneffizientere Modelle einsetzt.
Die Arbeit stellt TTSR vor, einen Testzeit-Trainingsrahmen, der durch einen sich selbst reflektierenden Wechsel zwischen Schüler- und Lehrer-Rollen in einem einzigen vortrainierten Modell gezielt Schwächen in der Schlussfolgerung identifiziert und durch synthetisierte Variantenfragen die reasoning-Fähigkeiten von Large Language Models kontinuierlich verbessert.