2325 Arbeiten
Das Paper stellt MASEval vor, ein framework-agnostisches Evaluationsframework, das nachweist, dass die Wahl des Agenten-Frameworks ebenso entscheidend für die Leistung ist wie die des zugrunde liegenden Modells, und ermöglicht somit eine systemische Analyse aller Komponenten agenter Systeme.
Diese Arbeit zeigt theoretisch und empirisch, dass hybride Sequenzmodelle, die Transformer- und State-Space-Schichten kombinieren, bestimmte Aufgaben mit deutlich weniger Parametern und Speicherbedarf lösen können als reine Modelle und dabei überlegene Generalisierungsfähigkeiten aufweisen.
Die Arbeit stellt APPLV vor, ein adaptives Lernverfahren, das vortrainierte Vision-Language-Modelle nutzt, um Parameter klassischer Navigationsplanner vorherzusagen und so die Sicherheit traditioneller Ansätze mit der Generalisierungsfähigkeit moderner VLA-Modelle in komplexen Umgebungen zu vereinen.
Die Studie zeigt, dass kanalzentrische Modelle für private 5G-Netze die End-to-End-Durchsatzleistung unzureichend vorhersagen, da sie die dynamische Anpassung von MIMO-Schichten überbewerten, während datengetriebene Ansätze wie Gauß-Prozesse deutlich genauere Ergebnisse liefern.
Die vorgestellte Arbeit stellt FSbuHD vor, ein neues Feature-Selection-Modell für hybride Informationssysteme, das auf der Fuzzy-Rough-Set-Theorie basiert, die Berechnung von Fuzzy-Äquivalenzrelationen durch eine kombinierte Distanzmetrik optimiert und das Problem als Optimierungsaufgabe löst, um in normalen und optimistischen Modi effizientere Ergebnisse als bestehende Methoden zu erzielen.
Diese Arbeit führt eine umfassende Abstraktion von neun endlichen Stichproben-Bound-Familien für die selektive Vorhersage durch und stellt mit „Transfer-Informed Betting" eine neuartige Methode vor, die durch die Warm-Start-Initialisierung des WSR-Vermögensprozesses mit Risikoprofilen aus einer Quelldomain in datenarmen Szenarien engere und formal garantierte Unsicherheitsgrenzen erreicht.
Die Arbeit stellt FedLECC vor, eine leichte, cluster- und verlustgesteuerte Strategie zur Auswahl von Clients im Federated Learning, die unter nicht-IID-Bedingungen die Genauigkeit verbessert und gleichzeitig die Kommunikationskosten sowie die Anzahl der erforderlichen Runden signifikant reduziert.
Die Studie stellt ein umfassendes, mehrdimensionales Bewertungsframework vor, das die Risiken der Memorierung sensibler genomischer Daten in genomischen Sprachmodellen quantifiziert und zeigt, dass eine Kombination verschiedener Angriffsmethoden für eine zuverlässige Privatsphäre-Auditing unerlässlich ist.
Diese Arbeit stellt einen vollständig differentierbaren Ansatz vor, der kontinuierlich relaxierte Bernoulli-Gatter nutzt, um überparametrisierte neuronale Netze ohne Gewichts-Training effizient in extrem spärliche, leistungsfähige Subnetze gemäß der Strong Lottery Ticket-Hypothese zu überführen.
Die Studie stellt MedCBR vor, ein interpretierbares Framework, das klinische Leitlinien in Vision-Language-Modelle integriert, um durch eine Kombination aus multimodaler Ausrichtung und begründeter Schlussfolgerung präzise Diagnosen mit transparenten, expertenähnlichen Erklärungen zu liefern.
Diese Arbeit stellt ein hierarchisches Reinforcement-Learning-Framework vor, das digitale Netzwerkkopien und robuste adversarielle Verluste nutzt, um gemeinsam die Antennenneigung und die Datenquellenstrategie in mobilen Netzen zu optimieren und dabei die Datenerfassungsverzögerung signifikant zu reduzieren.
Das Paper stellt „Guardian" vor, ein interpretierbares, dreischichtiges Entscheidungssystem, das mithilfe von Markov-Ketten, Reinforcement Learning und LLM-basierter Qualitätsprüfung aus unstrukturierten Daten dynamische Suchpläne für vermisste Kinder innerhalb der ersten 72 Stunden erstellt.
Das Paper stellt BiCLIP vor, einen extrem einfachen und parameterarmen Rahmen, der durch eine strukturierte geometrische Transformation multimodaler Merkmale, die auf wenigen Ankerpunkten basiert, das Zero-Shot-Lernen von Vision-Language-Modellen in spezialisierten Domänen auf den Stand des Kunstzustands bringt.
Die Arbeit stellt ULFS-KDPE vor, einen Kernel-basierten Entzerrungs-Schätzer, der auf einem universellen ungünstigsten Teilmodell beruht und in nichtparametrischen Modellen semiparametrische Effizienz für Pfad-differenzierbare Parameter erreicht, ohne dass eine explizite Berechnung der effizienten Einflussfunktionen erforderlich ist.
Diese Dissertation adressiert das Problem übermäßiger Selbstsicherheit bei simulationsbasierten Inferenzmethoden durch die Entwicklung und Evaluierung von Regularisierungstechniken wie „Balancing" sowie durch den Einsatz maßgeschneiderter Bayesianischer neuronaler Netze, um zuverlässigere und besser kalibrierte statistische Schlussfolgerungen zu gewährleisten.
Die Arbeit stellt Guardian vor, ein konsensgesteuertes Multi-LLM-System mit QLoRA-Feinabstimmung, das spezialisierte Modelle und einen Konsens-Engine koordiniert, um die Informationsgewinnung und Suchplanung bei Vermisstenfällen in den kritischen ersten 72 Stunden zu unterstützen.
Diese Arbeit führt Ökonomen in Reinforcement-Learning-Methoden ein, die als flexible, aber fehleranfällige Erweiterung der klassischen dynamischen Programmierung dienen, um hochdimensionale wirtschaftliche Probleme zu lösen, wobei ihre Anwendung jedoch durch praktische Einschränkungen und die Notwendigkeit genauer Simulatoren begrenzt bleibt.
Die Arbeit führt die -Ungleichung ein, um zu zeigen, dass Mixture-of-Experts-Modelle aufgrund einer doppelten Ineffizienz bei der Inferenz – nämlich fragmentierter Gewichtswiederverwendung und begrenztem HBM-Speicher für den KV-Cache – bei langen Kontexten strukturell gegenüber dichteren Modellen benachteiligt sind, was ihre Trainings-FLOP-Effizienz nicht auf die Laufzeitleistung überträgt.
Die Arbeit stellt das SLoD-Framework vor, das durch Wärmeleitungs-Diffusion auf hyperbolischen Mannigfaltigkeiten eine kontinuierliche Zoom-Funktion für Wissensgraphen ermöglicht und dabei automatisch qualitative Abstraktionsgrenzen durch spektrale Lücken identifiziert.
Die Arbeit stellt MAcPNN vor, ein dezentrales Lernparadigma für IoT-Datenströme, das auf Vygotskys soziokultureller Theorie basiert und autonome Geräte durch bedarfsgesteuerte gegenseitige Unterstützung sowie kontinuierliche progressive neuronale Netze (cPNN) befähigt, Konzeptdrifts zu bewältigen und Vergessen zu vermeiden, ohne einen zentralen Koordinator zu benötigen.