10863 Arbeiten
Die Arbeit stellt IR-GeoDiff vor, ein latentes Diffusionsmodell, das aus Infrarotspektren dreidimensionale Molekülgeometrien rekonstruiert, indem es spektrale Informationen in die Knoten- und Kantenrepräsentationen der Molekülstrukturen integriert und dabei die komplexe Beziehung zwischen spektralen Merkmalen und der räumlichen Struktur erfasst.
Die Arbeit stellt SGDF vor, einen neuen Optimierer, der durch die Anwendung von Prinzipien der optimalen linearen Filterung momentumgestützte Gradientenupdates dynamisch neu kalibriert, um den Kompromiss zwischen Rauschunterdrückung und Signalbewahrung zu optimieren und damit die Leistung herkömmlicher Methoden zu übertreffen.
Die vorgestellte Arbeit zeigt, dass Diffusionssprachmodelle durch eine zero-shot-Mechanik zur dynamischen Vorschätzung der erforderlichen Antwortlänge aus dem latenten Prompt-Input erheblich rechnerisch effizienter werden, ohne dabei die Leistung auf gängigen Benchmarks zu beeinträchtigen.
Dieses Paper stellt DQE vor, ein neuartiges, semantikbasiertes Evaluationsmaß für die Anomalieerkennung in Zeitreihen, das durch eine subregionale Partitionierung und eine Aggregation über den gesamten Schwellenwertbereich bestehende Limitationen wie Verzerrungen und Inkonsistenzen herkömmlicher Metriken überwindet.
Die vorgestellte Arbeit schlägt einen neuen Ansatz für Policy-Gradients vor, bei dem durch die Optimierung von Teilmengen zukünftiger Belohnungen einfachere und zuverlässigere Lernstrategien ermöglicht werden, die sich in verschiedenen Konversationsaufgaben als vorteilhaft erweisen.
Der Artikel beweist, dass Predictive Coding Graphs (PCGs) eine mathematische Obermenge von Feedforward-Neuronalen Netzen darstellen und sie dadurch stärker in den Bereich des maschinellen Lernens einordnen.
Diese Studie zeigt, dass Ensemble-Graph-Neural-Networks für die probabilistische Vorhersage der Meeresoberflächentemperatur durch räumlich kohärente Eingangsstörungen (z. B. Perlin-Rauschen) eine gut kalibrierte Unsicherheitsquantifizierung erreichen, ohne zusätzliche Trainingskosten zu verursachen.
Die Arbeit stellt OMEGA vor, eine effiziente Methode für das Lernen von Top-K-Suchen, die mit einem einzigen, auf K=1 trainierten Modell und einem dynamischen Verfeinerungsprozess sowohl hohe Genauigkeit als auch Leistung bei variierenden K-Werten erreicht und dabei die Vorverarbeitungszeit im Vergleich zu bestehenden Methoden drastisch reduziert.
Die vorgestellte Arbeit schlägt ein zweistufiges Framework vor, das durch den Übergang von kontrastivem Lernen auf künstlichen Alphabeten zu selbstüberwachtem Wissenstransfer auf historische Schriften eine robuste Ähnlichkeitsmessung für Glyphen ermöglicht, ohne dass ground-truth evolutionäre Beziehungen erforderlich sind.
Die Arbeit führt das stochastische Differentialgleichungsmodell „Random Quadratic Form" (RQF) ein, um zu zeigen, dass gemeinsame Rauschsignale auf einer Kugel zu einer Synchronisation führen und so das Clustering von Tokens in tiefen Transformern auch ohne Selbstaufmerksamkeitsmechanismen erklären können.
Die Studie zeigt, dass die Integration von Topologischer Datenanalyse mit maschinellem Lernen die Differenzialdiagnose zwischen idiopathischer Parkinson-Krankheit und vaskulärem Parkinsonismus durch die Analyse von Fußfreigang-Dynamiken signifikant verbessert.
Die Arbeit stellt FedSCS-XGB vor, ein neuartiges verteiltes Lernprotokoll auf Basis von XGBoost, das eine kontinuierliche Gesundheitsüberwachung mittels tragbarer Sensoren ermöglicht und dabei zentrale Trainingsleistung mit einem Abweichungswert von unter 1 % bei gleichzeitiger Wahrung der strukturellen Vorteile des XGBoost-Algorithmus erreicht.
Der Artikel stellt DC-Merge vor, eine Methode zum Zusammenführen von Modellen, die durch den Ausgleich der Energieverteilung in Singulärwerten und die Projektion auf einen gemeinsamen orthogonalen Unterraum die Richtungskonsistenz zwischen einzelnen Aufgabenvektoren erhält und damit in Vision- und Vision-Sprache-Benchmarks state-of-the-art-Ergebnisse erzielt.
Die Arbeit zeigt, dass die Gradientenfluss-Dynamik in Softmax-basierten Modellen, die als Kernbaustein von Self-Attention dienen, die Optimierung universell zu Lösungen mit niedriger Entropie treibt und damit Phänomene wie Attention Sinks und massive Aktivierungen theoretisch erklärt.
Die Arbeit stellt SPPCSO vor, eine adaptive, bestrafte Schätzmethode, die Hauptkomponentenregression und -Regularisierung kombiniert, um bei hochdimensionalen, korrelierten Daten mit hohem Rauschen stabile Variablenselektion und präzise Parameterschätzung zu gewährleisten.
Die Arbeit stellt „Synthetic Monitoring Environments" (SMEs) als eine unendliche Suite konfigurierbarer, kontinuierlicher Steuerungsaufgaben mit bekannten optimalen Strategien vor, die es ermöglichen, Reinforcement-Learning-Algorithmen durch präzise, white-box-Diagnosen und exakte Regret-Berechnungen systematisch zu analysieren und von empirischem Benchmarking zu einer rigorosen wissenschaftlichen Evaluation zu überführen.
Dieser Artikel stellt die BAEN-SVM vor, ein robustes Support-Vector-Modell, das auf einer neuartigen, beschränkten und asymmetrischen Elastic-Net-Verlustfunktion basiert, um Rauschen effektiv zu bewältigen und die Generalisierungsfähigkeit bei binärer Klassifikation zu verbessern.
Die vorgestellte Arbeit stellt DeCoST vor, einen lernbasierten zweistufigen Ansatz zur Entkopplung diskreter und kontinuierlicher Entscheidungsvariablen beim Orientierungsproblem mit Zeitfenstern und variablen Gewinnen, der durch eine parallele Pfadvorhersage und eine nachgelagerte lineare Optimierung sowohl die Lösungsqualität als auch die Recheneffizienz im Vergleich zu bestehenden Methoden signifikant verbessert.
Die Studie zeigt, dass agentic retrieval-augmented Reasoning-Pipelines in der Radiologie-Fragebeantwortung die Konsistenz und Robustheit über verschiedene Large Language Models hinweg erhöhen, obwohl eine hohe Übereinstimmung nicht automatisch Korrektheit garantiert und viele Fehler klinisch schwerwiegend sein können.
Diese Arbeit stellt ein neuronales Netzwerk vor, das Fuzzy Cognitive Maps mittels Langevin-Differentialdynamik verarbeitet, um Kausalitätsmuster zu lernen und durch inverse Lösungen Kriterien für Anpassungen zu liefern, wobei die Leistung an mehreren Datensätzen evaluiert wurde.