9761 Arbeiten
Die Arbeit zeigt, dass die gerichtete CDNV (Varianz der Entscheidungsachsen) als zentrale geometrische Größe sowohl die starke Few-Shot-Transferfähigkeit als auch die geringe Interferenz bei Multi-Task-Aufgaben in selbstüberwachtem Lernen erklärt, indem sie eine geringe Variabilität entlang klassentrennender Richtungen sicherstellt.
Die Arbeit stellt RACI vor, ein prozessgestütztes Lernframework, das durch hierarchische zeitliche Kodierung und rollenbewusste räumliche Suche die Vorhersage von Kohlenstoffflüssen in heterogenen Ökosystemen verbessert, indem es langsame Regime-Bedingungen von schnellen dynamischen Antrieben trennt.
Die Studie untersucht die Vor- und Nachteile von Ensembling, Merging und Routing bei der Fusion von parametereffizienten Experten in großen Sprachmodellen und zeigt, dass zwar nicht-uniforme Methoden die Leistung verbessern, Routing jedoch die größten Gewinne bietet, wobei durch Clusterung und greedy-Auswahl die Rechenkosten effektiv gesenkt werden können.
Diese Arbeit stellt ein Online-Lernframework für Chain-of-Thought-Verifizierer vor, das mithilfe erweiterter Littlestone-Dimensionen die Trade-offs zwischen Soundness und Completeness optimiert, um schwache Beweiser durch einen starken Verifizierer in einen lernfähigen, fehlerarmen Beweisgenerator zu verwandeln.
Diese Arbeit stellt eine Echtzeit-Implementierung einer lose gekoppelten GNSS/IMU-Integration mittels Faktorgraphen-Optimierung vor, die in urbanen Umgebungen eine erhöhte Verfügbarkeit gegenüber Batch-Verfahren bietet, jedoch mit einem Kompromiss bei der Positionsgenauigkeit einhergeht.
Diese Arbeit stellt eine Echtzeit-Methode zur eng gekoppelten GNSS-IMU-Integration mittels Faktorengraf-Optimierung vor, die durch inkrementelle Optimierung mit fester Verzögerung eine robuste Positionsbestimmung in stark urbanen Umgebungen ermöglicht.
Diese Arbeit stellt einen praktischen Leitfaden zur Bewertung und Optimierung von Multi-Agenten-KI-Einkaufsassistenten vor, der eine mehrdimensionale Evaluierungsrubrik, eine kalibrierte LLM-as-Judge-Pipeline sowie zwei komplementäre Prompt-Optimierungsstrategien (Sub-agent GEPA und MAMuT GEPA) für die Produktionsskalierung umfasst.
Die Arbeit stellt den „Transport Clustering"-Algorithmus vor, der das NP-harte Problem der Low-Rank-Optimal-Transport-Lösung durch eine Reduktion auf ein Clustering-Problem nach einer Transport-Registration in polynomieller Zeit mit konstanten Approximationsfaktoren löst und dabei sowohl theoretische Garantien als auch überlegene empirische Ergebnisse liefert.
Das Paper stellt ByteFlow Net vor, eine neue hierarchische Architektur, die feste Tokenizer eliminiert und durch kompressionsbasierte, adaptive Segmentierung von Roh-Byte-Streams eine überlegene Leistung gegenüber herkömmlichen subword-basierten Modellen ermöglicht.
Das Paper stellt CausalMix vor, ein variationsbasiertes generatives Framework, das durch die Kombination von Misch-Gauß-Verteilungen und datentypspezifischen Dekodern sowohl realistische gemischte tabellarische Daten erzeugt als auch eine präzise, unabhängige Kontrolle über kausale Mechanismen wie Überlappung, Konfundierung und Heterogenität des Behandlungseffekts ermöglicht.
Das Paper stellt SENTINEL vor, einen leichten Verifikationsmechanismus auf Basis von Exponential Moving Averages, der die Integrität beim dezentralen Pipeline-Parallel-Training über unzuverlässige Knoten sicherstellt, ohne Berechnungen zu duplizieren, und dabei theoretische Konvergenzgarantien sowie erfolgreiche Experimente mit 4-Milliarden-Parameter-Modellen bietet.
Diese Arbeit stellt einen hybriden Belief-Reinforcement-Learning-Ansatz vor, der die räumliche Unsicherheitsschätzung mittels Log-Gaussian-Cox-Prozessen mit dem effizienten Trajektorienlernen eines Soft Actor-Critic-Agenten kombiniert, um durch dualen Wissenstransfer und koordinierte Abdeckung die Leistung mehrerer autonomer Agenten bei der Erkundung heterogener räumlicher Nachfrage signifikant zu verbessern.
Die Arbeit stellt MEM (Multi-Scale Embodied Memory) vor, ein Ansatz für Vision-Language-Action-Modelle in der Robotik, der durch die Kombination von video-basiertem Kurzzeit- und textbasiertem Langzeitgedächtnis die Bewältigung komplexer, langfristiger Aufgaben wie das Kochen oder Aufräumen ermöglicht.
Die Arbeit stellt NuMuon vor, einen Optimierer, der den Muon-Algorithmus durch eine Kernnorm-Beschränkung ergänzt, um die Komprimierbarkeit von LLMs zu erhöhen und gleichzeitig die Konvergenzeigenschaften beizubehalten.
Diese Arbeit kombiniert Riemannsche Geometrie, optimale Steuerungstheorie und theoretische Physik, um ein theoretisches Verständnis der Backpropagation zu vertiefen und durch eine rekursive, modulare Riemannsche Metrik sowie kontraktive Stabilitätsgarantien eine effiziente Alternative zum Natural Gradient Descent für die Optimierung modularer Systeme zu entwickeln.
Diese Arbeit entwickelt ein rigoroses Framework zur Erweiterung von neuronalen Operatoren für Out-of-Distribution-Eingaben durch Kernel-Approximation und RKHS-Theorie, was eine zuverlässige Erfassung von Funktionswerten und Ableitungen ermöglicht und an elliptischen PDEs auf Mannigfaltigkeiten validiert wird.
Diese Arbeit beweist die starke Konvergenz mit der Ordnung 1/2 für ein geometrisches Euler-Maruyama-Schema zur Diskretisierung von Riemannischen Langevin-Dynamiken auf Mannigfaltigkeiten und leitet daraus eine Wasserstein-Schranke für das Sampling auf diesen Mannigfaltigkeiten ab.
Diese Arbeit stellt ein allgemeines Framework vor, bei dem ein trainierbarer Aufmerksamkeitsmechanismus lernt, wie und wo physikalische dynamische Systeme gemessen werden müssen, um die Extraktion nützlicher Informationen für maschinelles Lernen zu optimieren und so die Vorhersagegenauigkeit bei chaotischen Systemen erheblich zu steigern.
Diese Studie stellt ein auf Double Deep Q-Networks und priorisierter Erfahrungswiederholung basierendes Reinforcement-Learning-Framework vor, das Freezing-of-Gait-Episoden bei Parkinson-Patienten zuverlässig bis zu 8,72 Sekunden im Voraus vorhersagt, um proaktive Interventionen in tragbaren Assistenzsystemen zu ermöglichen.
Dieses Paper stellt den Graph Negative Feedback Bias Correction (GNFBC)-Rahmen vor, der durch die Einführung eines negativen Feedback-Verlusts und die Nutzung graph-unabhängiger Modellvorhersagen die durch Homophilie-Annahmen bedingten Verzerrungen in Graph Neural Networks korrigiert und so deren Leistung auf heterophilen Graphen verbessert.