11291 Arbeiten
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.
Diese Arbeit erweitert den CNF-Rahmen für die Lösung von gekoppelten und nichtlinearen partiellen Differentialgleichungen durch eine lerngestützte Kansa-Kollokationsmethode, um Vorwärts- und Inverse Probleme sowie die Entdeckung von Gleichungen effizient zu lösen und dabei die Grenzen herkömmlicher numerischer Verfahren zu überwinden.
Diese Arbeit untersucht die Homologie ample Gruppenoiden mittels des Moore-Komplexes mit kompaktem Träger, beweist eine universelle Koeffizienten-Exaktheitssequenz für diskrete Koeffizienten, analysiert die Hindernisse für nicht-diskrete Koeffizienten und leitet eine Mayer-Vietoris-Folge für die Berechnung dieser Homologiegruppen ab.
Das Paper stellt FastLSQ vor, ein Framework zur extrem schnellen und genauen Lösung von PDEs und inversen Problemen mittels sinusoidaler zufälliger Fourier-Features mit exakten analytischen Ableitungen, das iterative PINN-Verfahren um Größenordnungen in Geschwindigkeit und Präzision übertrifft.
Die erste internationale StepUP-Wettbewerb für biometrische Schritterkennung präsentierte Ergebnisse und Herausforderungen der neuen UNB StepUP-P150-Datenbank, wobei das beste Team mit einer Generative Reward Machine eine Fehlerrate von 10,77 % erreichte, während die Generalisierung auf unbekanntes Schuhwerk als zentrale offene Aufgabe identifiziert wurde.
Die Arbeit stellt TIME vor, ein neuartiges, aufgabenorientiertes Benchmark mit 50 frischen Datensätzen und 98 Vorhersageaufgaben, das durch einen menschlich überwachten Aufbauprozess, eine realitätsnahe Aufgabenformulierung und eine innovative Muster-basierte Evaluierung bestehende Lücken in der Bewertung von Zeitreihen-Foundation-Modellen schließt.
Die Arbeit stellt Chimera vor, ein neuro-symbolisches Framework, das durch die Abbildung von Aufmerksamkeitsmechanismen und symbolischen Constraints auf programmierbare Dataplane-Primitive eine vertrauenswürdige und vorhersagbare Traffic-Analyse mit Linienrate auf handelsüblichen Switches ermöglicht.
Die Arbeit stellt JPmHC vor, ein stabiles und speichereffizientes Framework für Hyper-Connections, das durch die Beschränkung trainierbarer Mixer auf orthogonale Mannigfaltigkeiten und eine freie Wahrscheinlichkeitsanalyse die Gradientenstabilität verbessert und auf ARC-AGI zu schnellerer Konvergenz sowie höherer Genauigkeit führt.
Die Arbeit stellt DRESS vor, einen deterministischen, parameterfreien und isomorphieinvarianten Rahmen zur iterativen Verfeinerung von Graphstrukturen, der durch Konvergenz eines nichtlinearen dynamischen Systems ein numerisch stabiles Kanten-Fingerprint erzeugt und dabei die Ausdrucksstärke des 2-WL-Tests bei deutlich geringerer Rechenkomplexität erreicht, während Erweiterungen wie Δ-DRESS die Unterscheidungskraft weiter steigern.