11404 Arbeiten
Die Autoren stellen einen Maximum-Margin-HDC-Klassifikator vor, der durch eine neuartige theoretische Verbindung zu Support-Vector-Machines (SVMs) die Leistungsfähigkeit bestehender Hyperdimensional-Computing-Methoden auf Benchmark-Datensätzen erheblich steigert und damit ressourcenschonende Lösungen für eingebettete Systeme ermöglicht.
Die Studie stellt einen physik-informierten neuronalen Netzwerk-Ansatz vor, der es ermöglicht, basierend auf messbaren Deformationsdaten in vereinfachten linken Ventrikelgeometrien die dreidimensionale kardiale Aktivierungsdynamik nicht-invasiv und robust gegenüber Rauschen zu rekonstruieren.
Die Arbeit stellt ISD-linUCB vor, einen Algorithmus für stochastische nicht-stationäre lineare Banditen, der durch die Annahme einer Zerlegung des Belohnungsmodells in stationäre und nicht-stationäre Komponenten historische Daten nutzt, um Invarianzen zu lernen und so die Problemdimensionalität zu reduzieren sowie das dynamische Regret in sich schnell verändernden Umgebungen signifikant zu verbessern.
Diese Arbeit untersucht, wie die Modellarchitektur die Wirksamkeit von Backdoor-Angriffen im Federated Learning beeinflusst, und stellt einen strukturwahrnehmenden Rahmen mit neuen Metriken vor, der zeigt, dass Angriffe nicht nur von der Vergiftungsintensität, sondern maßgeblich von der Wechselwirkung zwischen Architektur und Aggregationsmechanismen abhängen.
Diese Arbeit stellt „k-hop Fairness" vor, ein neues strukturelles Fairnesskonzept für die Link-Vorhersage in Graphen, das über die traditionelle dyadische Fairness hinausgeht, um Verzerrungen in verschiedenen Entfernungsebenen zu erfassen und durch vorgeschlagene Minderungsstrategien zu adressieren.
Die Arbeit stellt DistriVoting und SelfStepConf vor, zwei Methoden, die durch die Nutzung von Verteilungsinformationen und schrittweiser Konfidenz die Zuverlässigkeit von Large Reasoning Models bei der Antwortauswahl durch Test-Time-Scaling signifikant verbessern.
Das Paper stellt IROSA vor, ein Framework, das große Sprachmodelle nutzt, um Robotern über natürliche Sprache und eine schützende Werkzeugarchitektur anpassungsfähige Fähigkeiten wie Geschwindigkeitsregelung und Hindernisvermeidung ohne Feinabstimmung zu ermöglichen.
Das Paper stellt PatchDecomp vor, ein interpretierbares neuronales Netzwerk für die Zeitreihenvorhersage, das durch die Aufteilung von Daten in Patches und die Aggregation ihrer Beiträge sowohl hohe Vorhersagegenauigkeit als auch eine klare Nachvollziehbarkeit der Entscheidungsfindung erreicht.
Die Arbeit stellt ein einheitliches Bewertungsframework mit neuen Metriken und der verbesserten Methode SURE+ vor, das die gemeinsame Erfassung von Out-of-Distribution-Daten und Klassifikationsfehlern ermöglicht, um zuverlässigere und vertrauenswürdige KI-Modelle für reale Anwendungen zu schaffen.
Die Arbeit stellt BD-Merging vor, ein unsupervisiertes Framework für das Modell-Merging, das durch evidenzbasierte Kontrastivierung und eine diskrepanzbewusste Router-Mechanik die Robustheit gegenüber Verteilungsverschiebungen und Verzerrungen in Multi-Task-Lernszenarien signifikant verbessert.
Diese Arbeit stellt eine hierarchische Bayessche Methode vor, die adaptive Surrogatmodelle und maschinelles Lernen nutzt, um sowohl individuelle Systemparameter als auch gemeinsame unbekannte Dynamiken in inversen ODE- und PDE-Problemen effizient zu schätzen.
Die Studie zeigt, dass Conservative Q-Learning aufgrund seiner Robustheit gegenüber stochastischen Netzwerkdynamiken die bevorzugte Offline-Reinforcement-Learning-Methode für die KI-gesteuerte Steuerung zukünftiger drahtloser Netzwerke wie O-RAN und 6G ist, während sequenzbasierte Methoden bei ausreichenden hochwertigen Daten konkurrenzfähig bleiben.
Diese Arbeit stellt ein auf multivariaten Hawkes-Prozessen basierendes zeitliches Rahmenwerk vor, das intrinsische Interaktionstendenzen von algorithmischen Verstärkungseffekten in sich entwickelnden Netzwerken trennt und eine neue Momentan-Bias-Metrik zur zuverlässigen Erfassung von Rückkopplungseffekten durch Link-Vorhersagealgorithmen einführt.
Die Arbeit stellt Lang2Str vor, ein zweistufiges Generierungsframework, das die strukturierte reasoning-Fähigkeit von Large Language Models mit der präzisen Verteilungsmodellierung kontinuierlicher Flow-Modelle kombiniert, um gültige und diverse Kristallstrukturen für die beschleunigte Materialentdeckung zu erzeugen.
Das Paper stellt GIPO (Gaussian Importance Sampling Policy Optimization) vor, einen neuen RL-Optimierungsansatz, der durch einen auf einem Gauß-Vertrauensgewicht basierenden, weichen Dämpfungsfaktor anstelle harter Clipping-Grenzen die Dateneffizienz, Trainingsstabilität und den Bias-Varianz-Ausgleich bei der Nachschulung multimodaler Agenten verbessert.
Die Arbeit stellt TFWaveFormer vor, einen neuartigen Transformer, der durch die Integration von Zeit-Frequenz-Analyse und lernbarer Multi-Resolution-Wavelet-Zerlegung komplexe zeitliche Dynamiken erfasst und damit den State-of-the-Art bei der Vorhersage dynamischer Links in Graphen verbessert.
Dieser Artikel schlägt eine Brouwer-inspirierte Assertibilitätsbeschränkung für verantwortungsvolle KI vor, die in hochriskanten Domänen die epistemische Agency bewahrt, indem Systeme nur dann Behauptungen aufstellen oder verneinen dürfen, wenn sie einen öffentlich überprüfbaren Berechtigungsnachweis vorlegen können, andernfalls aber den Status „Unbestimmt" zurückgeben müssen.
Die Arbeit stellt Dual-Solver vor, einen generalisierten ODE-Löser für Diffusionsmodelle, der durch lernbare Parameter die Vorhersageart, das Integrationsgebiet und die Residuenanpassung optimiert, um bei geringer Anzahl an Funktionenauswertungen die Bildqualität und CLIP-Werte signifikant zu verbessern.
Diese Arbeit stellt ein theoretisches Modell vor, das die sequenzielle Spezialisierung von Multi-Head-Attention-Köpfen während des Trainings erklärt und zeigt, wie Softmax-1 sowie Bayes-Softmax die Leistung durch Rauschunterdrückung und optimale Vorhersage verbessern.
Die Arbeit stellt „Spectral Surgery" vor, eine trainingsfreie Methode zur Nachbearbeitung von LoRA-Adaptern, die durch singulärwertbasierte Neugewichtung sensitiver Komponenten die Leistung ohne erneutes Training signifikant verbessert.