11462 Arbeiten
Die Studie stellt Vivaldi, ein Multi-Agenten-Framework zur Erklärung multivariater physiologischer Zeitreihen vor, und zeigt, dass dessen Nutzen stark vom verwendeten Modelltyp abhängt, da es nicht-überlegende Modelle verbessert, während es bei denkenden Modellen oft die Erklärqualität verschlechtert, obwohl die diagnostische Präzision steigt.
Diese Studie stellt einen physikbasierten neuromuskuloskelettalen Lernrahmen vor, der einen Hip-Exoskelett-Regler ausschließlich in der Simulation trainiert und durch Policy-Distillation erfolgreich auf Hardware überträgt, wodurch der Bedarf an aufwendigen Motion-Capture-Daten entfällt und eine skalierbare Entwicklung von Exoskelett-Controllern ermöglicht wird.
Die Arbeit stellt mit CodeTaste einen Benchmark vor, der zeigt, dass zwar große Sprachmodelle bei detaillierten Anweisungen zuverlässig refaktorisieren können, jedoch oft scheitern, menschliche Entscheidungen für Code-Verbesserungen eigenständig zu erkennen, wobei eine „Vorschlag-dann-Implementierung"-Strategie die Ausrichtung auf menschliche Präferenzen verbessert.
Die Studie zeigt, dass durch thermodynamisches Training in State Space Models ein architekturabhängiges, antizipierendes „Architekturselbstgefühl" entsteht, das eine präzise Vorhersage des Haltezeitpunkts ermöglicht, während Transformer-Modelle ein solches Phänomen nicht aufweisen.
Das REDNET-ML-Projekt entwickelt einen reproduzierbaren Machine-Learning-Pipeline, der Multi-Sensor-Satellitendaten und nicht-leckige Evaluierungsstrategien nutzt, um das Risiko schädlicher Algenblüten an der omanischen Küste durch eine fusionierte CatBoost-Modellierung präzise zu detektieren und zu visualisieren.
Diese Arbeit stellt einen modularen Ansatz für kohlenstoffeffizientes Federated Learning vor, der durch Gradienten-Norm-Schwellenwerte und Rauschfilterung die Leistungsfähigkeit bestehender Client-Auswahlstrategien verbessert und so die Modellkonvergenz trotz unbekannter Datenqualität und variabler erneuerbarer Energiequellen sicherstellt.
Die Studie zeigt, dass die Einführung von L2-Gewichtsregularisierung in Sparse Autoencodern die Stabilität und Steuerbarkeit der gelernten Merkmale über verschiedene Trainingsläufe hinweg signifikant verbessert, ohne dabei die automatisierten Interpretierbarkeitswerte zu beeinträchtigen.
Diese Arbeit stellt ein neues, kontextspezifisches quantitatives Privatsphärenkonzept vor, das auf der Bayesianischen Entscheidungstheorie basiert und durch eine vorab getroffene Offenlegungsentscheidung sowie eine explizitere Formulierung als Differential Privacy und statistische Offenlegungstheorie überzeugt.
Diese Arbeit stellt eine likelihood-basierte Analyse der verallgemeinerten Mittelwerte zur Aggregation von Dichteschätzungen vor, die zeigt, dass nur der Bereich systematische Verbesserungen gegenüber einzelnen Verteilungen garantiert und damit die theoretische Grundlage für die etablierten linearen und geometrischen Pooling-Methoden liefert.
Die Arbeit stellt XPlore vor, ein neuartiges, gradientengesteuertes Framework für die Erzeugung von kontrafaktischen Erklärungen in Graph Neural Networks, das durch die gemeinsame Optimierung von Kantenänderungen und Knotenmerkmalen sowie die Einführung einer kosinusähnlichkeitsbasierten Metrik die Validität und Glaubwürdigkeit der Erklärungen signifikant verbessert.
Die Arbeit stellt Latent Space Distribution Matching (LSDM) vor, ein neuartiges Framework für die semi-überwachte generative Modellierung, das durch die Kombination von gepaarten und ungepaarten Daten in einem latenten Raum die Verteilungsmatching-Fehlergrenzen minimiert, die geometrische Genauigkeit verbessert und theoretische Einblicke in die Konsistenz von Latent Diffusion Models liefert.
Dieses Paper stellt einen neuartigen Encoder-Ansatz vor, der mithilfe eines spezialisierten Variational Autoencoders und nicht-parametrischer Nachbarschaftsdichteschätzung Abhängigkeiten von sensiblen Variablen explizit schätzt und modifiziert, um eine unabhängige Darstellung zu erzeugen, die sowohl über unüberwachte als auch mit überwachenden Methoden vergleichbare Ergebnisse erzielt.
Der Artikel stellt Agentics 2.0 vor, ein leichtgewichtiges, Python-natives Framework, das mithilfe einer logischen Transduktionsalgebra und typsicherer, zustandsloser paralleler Ausführung zuverlässige, skalierbare und erklärbare agente Datenworkflows für Unternehmensanwendungen ermöglicht.
Diese Arbeit stellt einen varianzreduzierten, Lyapunov-basierten Online-Lernalgorithmus vor, der stabile und nahezu optimale Routing-Strategien für mehrschichtige hierarchische Inferenzsysteme unter partiellen, policy-abhängigen Rückmeldungen und langfristigen Ressourcenbeschränkungen ermöglicht.
Die Arbeit stellt Memex vor, ein durch Reinforcement Learning (MemexRL) optimiertes, indiziertes Erfahrungsspeichersystem, das die Begrenzung von Kontextfenstern bei langen LLM-Agenten-Aufgaben überwindet, indem es vollständige Interaktionen extern speichert und nur strukturierte Zusammenfassungen sowie stabile Indizes im Arbeitskontext behält, um so den Informationsverlust herkömmlicher Zusammenfassungsmethoden zu vermeiden und die Aufgabenleistung zu steigern.
Der Artikel stellt einen Prozess vor, der große Sprachmodelle nutzt, um durch das Generieren von Dokumenten, das Extrahieren und Gruppieren von Ereignissen sowie die Anwendung von Kausalitätsentdeckungsmethoden plausible kausale Hypothesen in Form von Variablen und Graphen zu extrahieren, ohne dabei reale Kausalität zu garantieren.
Die Arbeit stellt Imaginary Planning Distillation (IPD) vor, ein neues Offline-Reinforcement-Learning-Framework, das durch die Kombination von Weltmodellen, modellprädiktiver Steuerung und einer wertgesteuerten Distillation von Entscheidungstransformern die Leistungsfähigkeit sequenzieller Richtlinien über die Grenzen statischer Datensätze hinaus verbessert.
Die Arbeit stellt LabelBuddy vor, ein Open-Source-Tool für die kollaborative Audio-Annotation, das durch containerisierte KI-Modelle und Large Audio Language Models die Lücke zwischen menschlicher Intention und maschinellem Verständnis in der Musikinformationsgewinnung schließt.
Das Paper stellt LUMINA vor, ein Framework für fundamentale Modelle, das durch die Untersuchung des AC-Optimal-Power-Flow-Problems drei gestützte Gestaltungsprinzipien ableitet, um physikalische Gesetze und Sicherheitsgrenzen in wissenschaftlichen Berechnungen zu gewährleisten.
Diese Arbeit analysiert die durch strukturierte Aktivierungs-Ausreißer verursachten Genauigkeitsverluste bei der Post-Training-Quantisierung von Transformern und zeigt, dass eine kanalbewusste Präzisionszuweisung (z. B. gemischte Genauigkeit) diese effektiv behebt, während reine Skalierungsklipping-Methoden versagen, wobei die Latenz und der Speicherverbrauch auf der Hardware nahezu unverändert bleiben.