11488 Arbeiten
Die Studie stellt ein neues additives Klassifikationsmodell namens CRESTomics vor, das mithilfe von Radiomics-Features aus Ultraschallbildern und einer kernelbasierten Methode mit Gruppen-Sparsity-Regulierung zur präzisen und interpretierbaren Identifizierung von Hochrisiko-Karotisplaques im CREST-2- klinischen Versuch beiträgt.
Die Studie zeigt, dass lineare Proben auf statischen Wortvektoren (wie GloVe und Word2Vec) geografische und zeitliche Strukturen erfolgreich rekonstruieren können, was beweist, dass diese Informationen bereits in den reinen Text-Kookkurrenzstatistiken enthalten sind und nicht zwingend auf komplexe Weltmodelle in Sprachmodellen hindeuten.
Die Arbeit stellt PTOPOFL vor, ein privatsphäreschonendes Framework für personalisiertes Federated Learning, das durch den Austausch topologischer Deskriptoren anstelle von Gradienten sowohl Daten-Rekonstruktionsangriffe verhindert als auch die Leistung bei nicht-IID-Datenverteilungen verbessert.
Die Studie stellt einen skalierbaren Evaluierungsrahmen vor, der zeigt, dass generative KI-Modelle bei der realistischen Simulation von Umweltbedingungen wie Nebel, Regen und Nacht in Fahrzeugkameras deutlich besser abschneiden als regelbasierte Ansätze und damit eine praktikable Grundlage für die Erstellung synthetischer Testdaten bilden.
Die Studie zeigt, dass statische Klassifikationsmetriken die reale Wirksamkeit von KI-gestützten Geldwäschebekämpfungssystemen im Kryptobereich überschätzen, da zeitliche Nichtstationarität zu einer Fehlabstimmung der Entscheidungsregeln und damit zu erheblichen regulatorischen Verlusten führt, was loss-basierte Evaluierungsrahmen für die Aufsichtsbehörden erforderlich macht.
Die Arbeit zeigt, dass Flow Matching das TD-Lernen durch Testzeit-Wiederherstellung und plastisches Feature-Lernen verbessert, was zu einer deutlich höheren Sample-Effizienz und Endleistung im Vergleich zu monolithischen Kritikern führt, insbesondere in Umgebungen mit Plastizitätsverlust.
Diese Studie vergleicht DDPM, LDM und Flow Matching zur Erzeugung synthetischer kardialer MRT-Bilder und stellt fest, dass DDPM unter begrenzten Datenbedingungen die beste Balance zwischen Bildqualität, Nutzen für Segmentierungsaufgaben und Datenschutz bietet.
Diese Studie zeigt, dass die Integration von mit DreamBooth generierten synthetischen Bildern in Trainingsdaten die Genauigkeit und Generalisierungsfähigkeit von Modellen zur Künstlerzuordnung bei Kunstwerken verbessert.
Die vorgeschlagene Arbeit nutzt einen auf Constraint Deep Reinforcement Learning basierenden Ansatz, um in zukünftigen Netzen die Paketkosten bei gleichzeitiger Einhaltung strenger Latenzanforderungen für Echtzeitanwendungen zu minimieren.
Diese Studie untersucht die Fähigkeit von PDE-Grundmodellen, sich auf Materialdynamiken unter extremen Belastungen zu übertragen, indem sie die Leistung von POSEIDON und MORPH bei der Vorhersage von Endzuständen in schockdominierten und bruchbasierten Szenarien bewertet und dabei die Effizienz des Fine-Tunings im Vergleich zum Training von Grund auf analysiert.
Diese Arbeit stellt einen effizienten Rahmen auf Basis der optimalen Transporttheorie vor, der durch die Abbildung der gesamten Verteilung schädlicher Aktivierungen auf harmlose – insbesondere durch gezielte Eingriffe in ausgewählten Netzwerkschichten – die Sicherheitsmechanismen von Sprachmodellen effektiver umgeht als bisherige Methoden, die nur eindimensionale Richtungen betrachten.
Das Paper stellt RoboCasa365 vor, ein umfassendes Simulationsbenchmark für Haushaltsroboter, das mit 365 alltäglichen Aufgaben in 2.500 Küchenumgebungen sowie umfangreichen Demonstrationsdaten dient, um generalistische Roboterstrategien systematisch zu evaluieren und zu verbessern.
Die Arbeit führt eine neue Perspektive zur Analyse von Quantisierungsfehlern ein, die auf Konzentration und Ausrichtung basiert, und stellt darauf aufbauend die leichte lineare Transformation CAT vor, die durch gemeinsame Optimierung beider Faktoren die Genauigkeit von 4-Bit-Quantisierung in großen Sprachmodellen verbessert.
Diese Arbeit stellt den Meta-Adaptiven Unscented-Kalman-Filter (MA-UKF) vor, ein Framework, das mittels rekurrenter Meta-Lernverfahren die Gewichte der Sigma-Punkte dynamisch anpasst, um die Schätzgenauigkeit und Robustheit bei nicht-gaußschen Störungen und sich ändernden Dynamiken im Vergleich zu herkömmlichen Methoden signifikant zu verbessern.
Die Arbeit stellt das Dual-Modality Multi-Stage Adversarial Safety Training (DMAST) vor, ein dreistufiges Framework, das multimodale Web-Agenten durch ko-evolutionäres Training gegen konsistente Cross-Modal-Angriffe robust macht und gleichzeitig die Aufgabenleistung auf Out-of-Distribution-Daten signifikant verbessert.
Die Arbeit stellt eine rechen-effiziente Methode vor, die durch selektive TFG und Latent-Control Heads (LatCHs) eine kontrollierte latente Audio-Diffusion mit minimalem Trainingsaufwand ermöglicht, ohne dabei die Audioqualität zu beeinträchtigen.
Die Arbeit stellt die Adversarially-Aligned Jacobian Regularization (AAJR) vor, eine Trajektorien-orientierte Methode, die die Empfindlichkeit von agentic KI-Systemen gezielt entlang adversarieller Aufstiegsrichtungen reguliert, um so die Stabilität des Minimax-Trainings zu gewährleisten, ohne die globale Ausdruckskraft der Modelle unnötig einzuschränken.
Diese Studie analysiert ein zehnjähriges YouTube-Datenset und stellt fest, dass Affiliate-Marketing zwar weit verbreitet ist, die Einhaltung der FTC-Vorschriften zur Offenlegung jedoch gering bleibt, wobei plattformseitige Standardisierungsfunktionen als wirksames Mittel zur Verbesserung der Compliance identifiziert werden.
Die Arbeit stellt ZipMap vor, ein zustandsbehaftetes Feed-Forward-Modell, das durch Test-Time-Training eine lineare Rekonstruktionszeit für große Bildsammlungen ermöglicht und dabei die Genauigkeit quadratischer Methoden bei einer mehr als 20-fachen Geschwindigkeitssteigerung erreicht.
Das Paper stellt SELDON vor, ein interpretierbares, kontinuierliches Deep-Learning-Modell auf Basis von ODEs und einem variationalen Autoencoder, das entwickelt wurde, um die Herausforderungen bei der Echtzeit-Analyse und Vorhersage von unregelmäßig abgetasteten Supernova-Lichtkurven für die zukünftige Vera C. Rubin Observatory zu bewältigen und physikalisch sinnvolle Parameter für die Nachbeobachtung zu extrahieren.