10124 Arbeiten
Der Artikel stellt NRR-Core vor, ein Rechenrahmenwerk, das die vorzeitige Auflösung von Mehrdeutigkeiten in KI-Systemen durch Prinzipien wie Nicht-Identität und parallele Interpretation aufhebt, um die semantische Flexibilität bis zum Eintreffen des Kontexts zu bewahren.
Diese Arbeit führt ein intrinsisches Drift-Budget ein, das die kumulative Fisher-Rao-Bewegung der Datenverteilung in geschlossenen Lernsystemen quantifiziert und zeigt, dass die Reproduzierbarkeit der Vorhersagen durch eine untere Schranke von bestimmt wird, welche die unvermeidbare Genauigkeitsgrenze bei nicht vernachlässigbarer Drift festlegt.
Die Arbeit stellt BumpNet vor, ein spärliches MLP-Framework auf Basis trainierbarer Sigmoid-Funktionen zur effizienten und universellen Approximation von PDE-Lösungen und Operatoren, das durch Kombination mit PINNs, EDNNs und DeepONets erweitert wird.
Dieses Paper stellt einen vollständig online arbeitenden, robusten Reinforcement-Learning-Algorithmus mit allgemeiner Funktionsapproximation vor, der ohne Vorwissen oder vorgefertigte Daten robuste Strategien lernt und durch die Einführung der robusten Bellman-Eluder-Dimension sublineare Regret-Garantien für eine breite Klasse von Unsicherheitsmengen nachweist.
Die Arbeit stellt OASI vor, eine Methode zur initialisierungsbasierten multi-objectiven bayesschen Optimierung, die durch pareto-biasierte Simulated Annealing-Lösungen effizientere und speicherkonforme Keyword-Spotting-Modelle für TinyML auf Mikrocontrollern ermöglicht.
Diese Studie zeigt, dass Reinforcement Learning mit verifizierbaren Belohnungen (RLVR) die Generalisierungsfähigkeit von Sprachmodellen in der kausalen Schlussfolgerung im Vergleich zur überwachten Feinabstimmung verbessert, jedoch nur dann wirksam ist, wenn die Modelle über eine ausreichende initiale Schlussfolgerungskompetenz verfügen, um ihre Marginalisierungsstrategien und Zwischenschritte zu optimieren.
Diese Arbeit stellt den ersten deterministischen iterativen Algorithmus vor, der für beliebige und eine -Kernmenge mit optimaler Größe ohne logarithmische Faktoren konstruiert, um eine deterministische -Unterraumeinbettung zu gewährleisten und damit das -Regressionsproblem deterministisch zu lösen.
Die Arbeit stellt DevRev-Search vor, einen automatisiert erstellten Benchmark für die technische Kundenunterstützung, der durch eine indexerhaltende Anpassungsstrategie, bei der nur der Query-Encoder feinabgestimmt wird, eine skalierbare und effiziente Lösung für die Domain-Adaption in Multi-Tenant-Suchsystemen bietet.
Die Arbeit stellt den „Measurement-Consistent Langevin Corrector" (MCLC) vor, einen theoretisch fundierten Plug-and-Play-Modul, der die Instabilität latenter Diffusionslösungsansätze für inverse Probleme durch messungskonsistente Langevin-Aktualisierungen behebt und so eine stabilere und zuverlässigere Lösung im latenten Raum ermöglicht.
Diese Studie stellt einen mehrstufigen, projektionsbasierten Ansatz vor, der durch die Fusion von 2D-Segmentierungen geschätzte 3D-Masken zur Extraktion von Halswirbel-Volumen nutzt und anschließend Ensemble-Modelle aus CNNs und Transformern einsetzt, um Halswirbelsäulenfrakturen mit einer diagnostischen Genauigkeit zu identifizieren, die der von Expertenradiologen vergleichbar ist.
Diese Arbeit entwickelt ein statistisches Rahmenwerk, das zeigt, dass synthetische Daten bei unausgewogenen Klassifizierungsproblemen nicht immer vorteilhaft sind, und empfiehlt die Methode VTSS zur optimalen Bestimmung der Anzahl synthetischer Stichproben basierend auf Validierungsverlusten.
Die Arbeit stellt SpecBridge vor, ein neuartiges Framework, das durch die Feinabstimmung eines spektralen Encoders zur Ausrichtung auf einen eingefrorenen molekularen Basis-Modell-Latenzraum die Identifizierung von Kleinstmolekülen aus Tandem-Massenspektrometrie-Daten erheblich verbessert und dabei eine stabile, parameter-effiziente Alternative zu herkömmlichen Architekturen bietet.
Der Artikel stellt LeanTutor vor, ein Proof-of-Concept-System, das die Stärken von Large Language Models und dem Theorembeweiser Lean kombiniert, um einen verifizierten KI-Mathematik-Tutor zu entwickeln, und führt zur Evaluierung den PeanoBench-Datensatz ein.
Die Arbeit stellt NRR-Phi vor, ein formales Framework zur Text-zu-Zustand-Mapping, das durch eine hybride Extraktionspipeline die vorzeitige semantische Commitment in LLMs verhindert und so die Erhaltung mehrerer Interpretationen in einem nicht-kollabierenden Zustandsraum ermöglicht.
Die Arbeit stellt „Least-Privilege Language Models" vor, ein neues Paradigma, das durch eine Überwachungs- und Zuweisungsarchitektur sowie „Nested Least-Privilege Networks" die Rechenprivilegien eines Sprachmodells zur Laufzeit dynamisch einschränkt, um das Prinzip des geringsten Privilegs ohne Nachtraining oder mehrere Modelle durchzusetzen.
NeuroPareto ist ein neuartiges Framework für das kostenintensive viele Zielsuchproblem in hochdimensionalen Räumen, das durch die Integration einer kalibrierten Bayesianischen Klassifikation, tiefen Gauß-Prozess-Surrogaten und einer online trainierten Akquisitionsstrategie effiziente und präzise Pareto-Optimierung bei minimalem Evaluierungsaufwand ermöglicht.
Diese Arbeit stellt ein konsensbasiertes Bayes-Modell vor, das durch die Analyse von Meinungsdynamiken in Enterprise-Verzeichniszugriffsgraphen und die Bewertung logischer Anomalien in stark zusammenhängenden Komponenten bösartige Benutzeraktivitäten erkennt.
Die Arbeit stellt HealthMamba vor, ein neuartiges, unsicherheitsbewusstes räumlich-zeitliches Graph-Zustandsraummodell, das durch die Integration heterogener Daten und hierarchischer Modellierung die Vorhersagegenauigkeit von Besuchen in Gesundheitseinrichtungen sowie die Zuverlässigkeit der Unsicherheitsquantifizierung im Vergleich zu bestehenden Methoden signifikant verbessert.
Die Arbeit stellt „Rewards as Labels" (REAL) vor, ein neues Framework, das verifizierbare Belohnungen als kategorische Labels behandelt und das RLVR-Training als Klassifikationsproblem neu formuliert, um Gradientenprobleme zu beheben und die Leistung von Sprachmodellen bei mathematischen Aufgaben signifikant zu steigern.
Die Arbeit stellt SureLock vor, eine Methode, die die Rechenkosten beim Decodieren von Masked Diffusion-LMs durch das frühzeitige Sperren bereits konvergierter Tokenpositionen und das Cachen ihrer Schlüssel-Werte-Paare um 30–50 % senkt, ohne die Generierungsqualität zu beeinträchtigen.