11158 Arbeiten
Das Paper stellt RefQuery vor, einen skalierbaren Transfer-Learning-Rahmen für die nicht-intrusive Lastzerlegung, der durch das Einfrieren eines vortrainierten Netzwerks und das Lernen kompakter Geräte-Embeddings eine präzise und ressourcenschonende Echtzeit-Analyse auf Edge-Geräten ermöglicht.
Diese Arbeit stellt ein Multi-Operator-Reinforcement-Learning-Framework vor, das strategische Preisgestaltung und Flottenumschichtung in wettbewerbsorientierten autonomen Mobilitätsdiensten modelliert und zeigt, wie Wettbewerb durch endogene Nachfragesimulation zu niedrigeren Preisen und anderen Flottenstrategien führt als in Monopolszenarien.
Die Arbeit interpretiert das Phänomen der „Edge of Stability" durch Richtungs-Glattheit und erweitert es auf nicht-euklidische Normen, wodurch ein einheitlicher, geometrieaware Schärfe-Maßstab entsteht, der zeigt, dass auch nicht-euklidische Gradientenabstiegsverfahren (wie -Descent oder Block-CD) eine progressive Schärfung bis zu einem Schwellenwert von aufweisen.
Die Arbeit stellt BA-Logic vor, eine Methode für saubere-label Backdoor-Angriffe auf Graph-Neuronale-Netzwerke, die durch die gezielte Vergiftung der inneren Vorhersagelogik des Modells eine hohe Angriffserfolgsrate ohne Label-Manipulation erreicht.
Diese Arbeit stellt den Credibility Index via Explanation Stability (CIES) vor, eine mathematisch fundierte Metrik, die die Stabilität von Erklärungen in erklärbarer KI unter realistischen Geschäftsbedingungen misst und damit Entscheidungsträgern ein zuverlässiges Instrument zur Bewertung der Vertrauenswürdigkeit von KI-gestützten Entscheidungssystemen bietet.
Das Paper stellt RepoLaunch vor, einen autonomen Agenten, der Build- und Test-Pipelines für Code-Repositories in beliebigen Programmiersprachen und auf jeder Plattform automatisiert und damit eine vollständig automatisierte Pipeline zur Erstellung von Datensätzen für Software-Engineering-Forschung ermöglicht.
Das Paper stellt GELO vor, ein leichtgewichtiges Protokoll, das die Privatsphäre von LLM-Prompts auf unsicheren Beschleunigern durch pro-Batch-invertierbare Mischungen der versteckten Zustände schützt, wodurch statistische Angriffe vereitelt werden, während die Ausgabeintegrität erhalten bleibt und nur ein moderater Latenzüberhead entsteht.
Die Arbeit stellt die Margin-Based Cross-Entropy Loss (MCEL) vor, eine effiziente und skalierbare Verlustfunktion, die die Robustheit quantisierter neuronaler Netze gegenüber Bitfehlern durch gezielte Vergrößerung der Klassifikationsmargen verbessert und damit den rechenintensiven Ansatz des Trainings mit Bitflip-Injektion ersetzt.
Diese Arbeit liefert eine präzise asymptotische Analyse des Multi-Task-Learnings, die zeigt, dass die Kombination verwandter Aufgaben einer zusätzlichen Regularisierung entspricht und das Double-Descent-Phänomen sowohl theoretisch erklärt als auch empirisch abschwächt.
Diese Arbeit stellt einen tiefenlernbasierten Rahmen für sichere, mehrträgerbasierte ISAC-Systeme unter Kanalunsicherheit vor, der mithilfe von Radarecho-Feedback und einem neuartigen nichtparametrischen FIM-Schätzer auf f-Divergenz-Basis eine robuste, zielgerichtete Freundliche Störung ohne Kenntnis der Abhörposition ermöglicht und dabei durch einen quantisierten Tensor-Train-Encoder eine signifikante Modellkomprimierung erreicht.
Die Arbeit stellt RCRL vor, ein Framework, das einen einzelnen Agenten darauf trainiert, eine Familie von Belohnungsspezifikationen aus einem einzigen nominalen Ziel zu lernen, wodurch robuste und anpassungsfähige Richtlinien ohne Kompromisse bei der Einfachheit des Trainings ermöglicht werden.
Die Autoren stellen einen neuartigen, auf dem -dimensionalen verallgemeinerten Kuramoto-Modell basierenden Algorithmus zur Clusteranalyse von Daten auf der Einheitskugel vor, der aufgrund der Berücksichtigung der sphärischen Geometrie in Tests vergleichbare oder bessere Ergebnisse als traditionelle Methoden liefert.
Das Papier stellt Aura vor, ein universelles Framework, das durch eine maßgeschneiderte dreiteilige Kodierungsmechanik heterogene externe Faktoren in die Zeitreihenvorhersage für die Luftfahrt integriert und damit auf einem großen Datensatz der China Southern Airlines state-of-the-art-Ergebnisse erzielt.
Die Autoren stellen eine neue Theorie für Axiomatische On-Manifold-Shapley-Attribution vor, die auf optimalen generativen Flüssen und der Minimierung der kinetischen Energie basiert, um die Probleme von Off-Manifold-Artefakten zu lösen und eine geometrisch effiziente, stabile sowie semantisch kohärente Erklärungsmethode zu gewährleisten.
Die Arbeit stellt ARC-TGI vor, ein Open-Source-Framework für von Menschen validierte Python-Generatoren, die diverse und regelkonforme ARC-AGI-Aufgaben mit zugehörigen Begründungsketten erzeugen, um Overfitting zu vermeiden und skalierbare, kontrollierte Benchmarking-Möglichkeiten zu schaffen.
Das Paper stellt BLINK vor, ein rekurrentes Zustandsraummodell, das latente Interaktionsdynamiken zwischen NK-Zellen und Tumorzellen aus Zeitreihendaten lernt, um zytotoxische Ergebnisse präziser zu erkennen, vorherzusagen und interpretierbare Verhaltensmuster aufzudecken.
Die vorgestellte Arbeit schlägt ein zweistufiges Reward-Curriculum vor, das aufgabenbezogene Ziele von Verhaltensaspekten entkoppelt, um das Training von Robotern in der Deep Reinforcement Learning zu stabilisieren und effizienter zu gestalten, indem zunächst eine vereinfachte Belohnungsfunktion für die Exploration genutzt wird, bevor zusätzliche Verhaltenskriterien wie Energieeffizienz eingeführt werden.
Die Arbeit stellt FedBCGD und dessen beschleunigte Variante FedBCGD+ vor, die durch eine blockweise Kommunikation von Modellparametern in Federated Learning die Kommunikationskosten für große Modelle wie Vision Transformer signifikant senken und dabei eine schnellere Konvergenz als bestehende Methoden erreichen.
Die Arbeit stellt SRasP vor, eine neuartige Methode zur Selbst-Neuausrichtung adversarialer Stilstörungen, die durch globale semantische Führung und eine multi-objektive Optimierung die Gradientenstabilität verbessert und robustere Lösungen für das Few-Shot-Lernen über Domänengrenzen hinweg ermöglicht.
Diese Studie demonstriert, dass ein durch Diffusionsmodelle geleiteter Sampling-Ansatz, der auf Lösungen der Advektions-Reaktions-Diffusions-Gleichung trainiert wurde, physikalisch konsistente Konzentrationsfelder für Gasphasenreaktionen erzeugt und auch bei nicht gesehene Parametern genaue Vorhersagen der Austrittskonzentrationen ermöglicht.