11249 Arbeiten
Diese Arbeit stellt eine Methode vor, die Meta-Learning nutzt, um intrinsische Belohnungen als schwarze Kisten zu optimieren und so Reinforcement-Learning-Agenten in Umgebungen mit spärlichen Belohnungen zu besseren Daten-Effizienz und Generalisierungsfähigkeit zu verhelfen.
Die Autoren stellen AuToMATo vor, einen neuartigen, auf persistenter Homologie basierenden Clustering-Algorithmus, der durch eine Standardkonfiguration ohne manuelle Parametereinstellung auskommt, in Vergleichen mit anderen State-of-the-Art-Verfahren überzeugt und als Open-Source-Implementierung in Python verfügbar ist.
Diese Arbeit bestimmt die Schwellenwerte für die Detektion korrelierter stochastischer Blockmodelle mittels Polynome niedrigen Grades und zeigt, dass eine Unterscheidung von unabhängigen Erdős-Rényi-Graphen genau dann möglich ist, wenn die Subsampling-Wahrscheinlichkeit den Minimum-Wert aus der Wurzel von Otters Konstante und dem Kehrwert des Kesten-Stigum-Schwellenwerts überschreitet.
Diese Arbeit stellt die Iterative Proportional Markovian Fitting (IPMF)-Methode vor, die durch die Integration von Iterative Markovian Fitting und Iterative Proportional Fitting die Schrödinger-Brücke effizient löst, konvergiert und einen flexiblen Kompromiss zwischen Bildähnlichkeit und Generierungsqualität ermöglicht.
Die Arbeit stellt ANOMIX vor, ein Mixup-basiertes Framework zur Graph-Anomalieerkennung, das durch die Synthese informativer „harter Negativbeispiele" die Grenzen des Entscheidungssraums verfeinert und so die Erkennung subtiler, schwer unterscheidbarer Anomalien verbessert.
Die Autoren stellen Curriculum-enhanced GroupDRO (CeGDRO) vor, eine Methode, die durch eine gezielte Kurrikulum-Lern-Strategie, die schwerste bias-bestätigende und einfachste bias-konfliktierende Beispiele priorisiert, die übliche Vermeidung von Kurrikulum-Lernen bei Subgruppenverschiebungen durchbricht und so die State-of-the-Art-Ergebnisse auf gängigen Datensätzen signifikant verbessert.
Die Arbeit stellt FlowCLAS vor, ein hybrides Framework, das Normalizing Flows durch einen kontrastiven Lernansatz mit Outlier Exposure verbessert, um die Leistung bei der Anomalie-Segmentierung in dynamischen Roboterszenen zu steigern und die Lücke zu diskriminativen Methoden zu schließen.
Diese Arbeit stellt FSMLP vor, ein neuartiges Framework für die Zeitreihenvorhersage, das durch die Einführung einer Simplex-MLP-Schicht mit Gewichtsbeschränkungen im Frequenzbereich die Überanpassung bei der Modellierung von Kanalabhängigkeiten reduziert und somit die Vorhersagegenauigkeit sowie die Skalierbarkeit verbessert.
Diese Arbeit schlägt kognitionswissenschaftlich inspirierte Definitionen und eine standardisierte Evaluierungsmethodik vor, um die Vielfalt von Gedächtniskonzepten in Reinforcement-Learning-Agenten zu klären und deren Fähigkeiten objektiv zu vergleichen.
Die Arbeit stellt LoCo-RLHF vor, ein Framework, das durch die Nutzung einer niedrigrangigen Struktur und einer pessimistischen Strategie in einem reduzierten Subraum heterogenes menschliches Feedback effizient modelliert, um Large Language Models besser an individuelle Präferenzen anzupassen und Verteilungsverschiebungen zu bewältigen.
Diese Arbeit zeigt theoretisch und empirisch, dass das Entfernen schwieriger Beispiele die Generalisierung und Leistung des unüberwachten kontrastiven Lernens verbessert, da deren Anwesenheit sich negativ auf die Generalisierung auswirkt.
Diese Arbeit identifiziert und untersucht „Preference Leakage", ein Kontaminationsproblem bei der Verwendung von LLMs als Richter, das durch die Verwandtschaft zwischen Daten-Generatoren und Bewertungsmodellen entsteht und zu einer systematischen Verzerrung führt, die schwerer zu erkennen ist als bisher bekannte Bias-Phänomene.
Die Autoren stellen MIKASA vor, eine umfassende Benchmark-Suite mit einem neuen Klassifizierungsrahmen und spezifischen Roboteraufgaben, um die Gedächtnisleistungen von Reinforcement-Learning-Agenten in komplexen Szenarien systematisch zu bewerten.
Die Autoren stellen das UNB StepUP-P150-Dataset vor, eine umfassende Datenbank mit hochauflösenden plantaren Druckdaten von 150 Probanden unter verschiedenen Gehgeschwindigkeiten und Schuhbedingungen, die als neuer Benchmark für die Analyse und biometrische Erkennung des Gangbildes dient.
Die Arbeit stellt Implicit U-KAN 2.0 vor, ein neuartiges, theoretisch fundiertes und interpretierbares medizinisches Bildsegmentierungsnetzwerk, das durch die Integration von MultiKAN-Schichten und zweiten Ordnungs-Neuronalen Gewöhnlichen Differentialgleichungen (SONO) die Leistung und Effizienz bestehender U-Net-Architekturen übertrifft.
Dieser Artikel stellt den TS4NAP-Ansatz vor, der medizinische Taxonomien (ICD-10-CM und ICD-10-PCS) mit Graph-Matching kombiniert, um die Vorhersage des nächsten Behandlungsschritts bei Patienten zu verbessern und gleichzeitig die Entscheidungsfindung durch erklärbare Ergebnisse zu unterstützen.
Diese Studie analysiert umfassend neun Qualitätsdimensionen von Bildklassifizierungsmodellen, identifiziert Schlüsselfaktoren wie Selbstüberwachtes Lernen und Datensatzgröße für deren Verbesserung und stellt mit dem QUBA-Score eine neue Metrik vor, die Modelle jenseits der reinen Genauigkeit bewertet.
Diese Arbeit stellt \data, einen interaktionsfokussierten Datensatz, und \model, ein neues Verfahren zur Verfeinerung von Text-zu-Bild-Generierung durch Zerlegung und MLLM-gestützte Kritik, vor, um die Darstellung komplexer Objektinteraktionen zu verbessern.
Das Paper stellt PinRec vor, ein skalierbares, generatives Retrieval-Modell für Pinterest, das durch outcome-konditionierte und multi-token Generierung die Balance zwischen Geschäftszielen, Vielfalt und Effizienz in industriellen Empfehlungssystemen ermöglicht.
Die Arbeit stellt N2M-RSI vor, ein formales, implementierungsunabhängiges Modell, das zeigt, wie KI-Agenten durch die Rückkopplung ihrer eigenen Ausgaben als Trainingsdaten eine unbeschränkte Komplexität erreichen können, sobald sie einen bestimmten Informationsintegrations-Schwellenwert überschreiten.