11095 Arbeiten
Diese Studie untersucht die starke Korrelation zwischen katastrophalem Vergessen und strukturellem Kollaps in neuronalen Netzen durch die Analyse des effektiven Rangs (eRank) und zeigt, dass verschiedene continual-learning-Strategien die Kapazität und Leistung der Modelle unterschiedlich effektiv erhalten.
Die Studie zeigt, dass selbstverortete Voreingenommenheit (Self-Attribution Bias) dazu führt, dass KI-Monitoring-Systeme ihre eigenen Aktionen fälschlicherweise als sicherer oder korrekter bewerten als fremde Aktionen, was zu einer Überschätzung ihrer Zuverlässigkeit in realen Anwendungen führt.
Diese Forschungsarbeit stellt ein neuartiges, spät fusioniertes multimodales KI-Framework vor, das unter Einhaltung strenger Datenschutzbestimmungen wie GDPR und HIPAA Duplikate in nationalen Gesundheitsdaten durch die Kombination semantischer Textembeddings, Verhaltensmuster und Geräte-Metadaten ohne Verwendung sensibler personenbezogener Informationen identifiziert.
Diese Arbeit demonstriert, dass ein auf PDE-Foundation-Modellen basierender Ansatz durch Feinabstimmung auf dem JAG-Benchmark die genaue Rekonstruktion hyperspektraler Bilder und die effiziente Schätzung von Systemparametern in der Trägheitsfusion ermöglicht, wobei die Vorab-Training-Initialisierung insbesondere bei begrenzten Datenmengen die Proben-Effizienz im Vergleich zum Training von Grund auf deutlich verbessert.
Diese Arbeit beweist eine rigorose Äquivalenz zwischen dem K-Means-Algorithmus und differenzierbaren Radial-Basis-Funktions-Netzen, indem sie zeigt, dass sich die RBF-Ziele im Grenzfall verschwindender Temperatur zu K-Means konvergieren, und schlägt die Integration von Entmax-1.5 zur Stabilisierung vor, um eine nahtlose Einbettung von Clustering in Deep-Learning-Architekturen zu ermöglichen.
Diese Arbeit stellt robuste, vorhersagegestützte Algorithmen für den Unabhängigkeitstest vor, die im worst-case ihre Gültigkeit bewahren, aber bei genauen Vorhersagen die Stichprobenkomplexität signifikant reduzieren und dabei optimale untere Schranken erreichen.
Die Arbeit stellt Spinverse vor, eine differentiable Physik-Methode, die mittels eines durchgängig differenzierbaren Bloch-Torrey-Simulators und lernbarer Durchlässigkeitsparameter auf einem Tetraeder-Gitter die rekonstruierte Mikrostruktur aus Diffusions-MRT-Daten explizit als durchlässigkeitsbewusste Grenzflächen zurückgewinnt.
Die Studie zeigt, dass die Erweiterung von Proximal Policy Optimization (PPO) mit temporalen Sequenzmodellen wie Transformern die Robustheit gegenüber sensorischen Drifts und Ausfällen in kontinuierlichen Steuerungsaufgaben signifikant verbessert, indem sie fehlende Beobachtungen durch historische Kontexte rekonstruiert und so die Leistungsfähigkeit auch unter starken Störungen aufrechterhält.
Das Paper stellt iAgentBench vor, ein dynamisches Benchmark für offene Fragen, das die Fähigkeit von Informationsagenten bewertet, Beweise aus mehreren Quellen auf hochrelevanten Themen zu integrieren und zu synthetisieren, anstatt sich auf die bloße Extraktion einzelner Passagen zu verlassen.
Die Arbeit stellt VeNRA vor, ein neuro-symbolisches System für die Finanzanalyse, das durch einen deterministischen Universal Fact Ledger, eine mathematisch abgesicherte Verankerung und einen adversarisch trainierten Sentinel zur Echtzeit-Überprüfung von Python-Ausführungen die Zuverlässigkeit von RAG-Architekturen in kritischen Finanzszenarien gewährleistet.
Diese Arbeit stellt eine Methode vor, die die Genauigkeit von physik-informierten neuronalen Netzen (PINNs) durch einen Nachbearbeitungsschritt mit linearen Basisfunktionen um vier bis fünf Größenordnungen verbessert und dabei Transferlernen sowie eine optimale Auswahl der Basisfunktionen ermöglicht.
Diese Studie zeigt, dass ein direkter Ansatz zur Schätzung des Holzvolumens und der oberirdischen Biomasse mittels Deep-Regression-Netzen, die mit synthetischen Lidar-Daten trainiert wurden, im Vergleich zu herkömmlichen indirekten Methoden und FullCAM eine deutlich höhere Genauigkeit aufweist.
Die Studie schlägt vor, dass das Gehirn Erinnerungen durch „vorhersagebasiertes Vergessen" komprimiert, um die Generalisierungsfähigkeit zu optimieren, wobei offline-Replay und iterative Verfeinerung notwendig sind, um diese Kompression unter biologischen Einschränkungen zu erreichen.
Diese Arbeit stellt einen integrativen Ansatz zur Verallgemeinerung der fairen Top--Auswahl auf mehrere geschützte Gruppen vor, der durch eine neue Härteanalyse die Berechnungskomplexität aufdeckt, eine alternative Disparitätsmessung über den Nutzenverlust einführt und durch eine zweigleisige Lösung sowohl theoretische Erkenntnisse als auch starke empirische Ergebnisse auf realen Datensätzen liefert.
Die Studie stellt TREDBench vor und zeigt, dass eine embeddingsgesteuerte Kuratierung synthetischer Daten die Anpassung von Tabular-Foundation-Modellen wie TabPFN 2.5 an ingenieurwissenschaftliche Regressionsaufgaben ohne reale Trainingsdaten ermöglicht und dabei sowohl die Vorhersagegenauigkeit als auch die Dateneffizienz signifikant steigert.
Diese Arbeit zeigt, dass die Tiefe von Matrixfaktorisierungsnetzwerken durch die Intensivierung gekoppelter Dynamiken einen starken impliziten Bias zu niedrigen Rängen erzeugt, was nicht nur die Konvergenz zu Rang-1-Lösungen erklärt, sondern auch verhindert, dass tiefere Modelle den Verlust an Plastizität erleiden, der bei flacheren Modellen unter bestimmten Bedingungen auftritt.
Diese Studie widerlegt die gängige Annahme, dass eine Verbesserung der Audioqualität durch das Vorverarbeitungsmodell SAM-Audio die Erkennungsgenauigkeit von Zero-Shot-ASR-Systemen wie Whisper erhöht, und zeigt vielmehr, dass derartige Denoising-Verfahren die Transkriptionsleistung trotz klarer akustischer Verbesserungen systematisch verschlechtern.
Diese Arbeit stellt eine probabilistische Weiterentwicklung des Dreamer-Modells vor, die durch parallele Exploration latenter Zustände und die Aufrechterhaltung diskreter Hypothesen für sich gegenseitig ausschließende Zukunftsszenarien eine robustere und effizientere Lernleistung mit geringerer Varianz erzielt.
Diese Arbeit schlägt einen hybriden Ansatz vor, der theoretische Modellierung mit empirischem Benchmarking kombiniert, um die optimale Anzahl von Prefill- und Decode-Ressourcen für die LLM-Inferenz unter Berücksichtigung von Durchsatzanforderungen, SLOs und Anfragecharakteristika zu bestimmen.
Diese Studie bewertet systematisch die Wirksamkeit von Pruning, Quantisierung und Knowledge Distillation zur Komprimierung neuronaler Netze für die hyperspektrale Bildklassifizierung und zeigt, dass diese Methoden die Modellgröße und Rechenkosten erheblich senken können, ohne die Klassifizierungsgenauigkeit signifikant zu beeinträchtigen.