11526 Arbeiten
Die Studie stellt HLOBA vor, eine effiziente hybride Ensemble-Datenassimilationsmethode im latenten Raum, die durch die Kombination von Autoencoder-Techniken und Bayesian-Updates sowohl hohe Genauigkeit als auch eine theoretisch flexible Unsicherheitsquantifizierung für Wettervorhersagen ermöglicht.
Das Paper stellt SimpliHuMoN vor, einen einfachen und vielseitigen Transformer-basierten Ansatz, der durch den Einsatz von Selbst-Aufmerksamkeitsmodulen sowohl räumliche als auch zeitliche Abhängigkeiten erfasst und damit state-of-the-art Ergebnisse für die kombinierte Vorhersage von menschlicher Bewegung, Pose und Trajektorie auf verschiedenen Benchmarks erzielt.
Diese Arbeit nutzt topologische Datenanalyse, um durch die Einführung eines TO-Scores auf Basis von Verlust-Barcode-Eigenschaften zu zeigen, dass die topologischen Hindernisse für das Lernen mit zunehmender Netzwerkgröße abnehmen und dass bestimmte Merkmale der Barcodes mit dem Generalisierungsfehler korrelieren.
Die Arbeit stellt „Thought Flow Nets" vor, ein von Hegels Dialektik inspiriertes Verfahren, das KI-Modelle durch einen iterativen Selbstkorrekturmechanismus befähigt, ihre Vorhersagen schrittweise zu verfeinern, was sowohl die Modellgenauigkeit als auch die menschliche Nutzerleistung und -wahrnehmung signifikant verbessert.
Diese Studie stellt ein auf CRNN basierendes Sprachidentifikationssystem vor, das auf MFCC-Features trainiert wurde und bei der Klassifizierung von 13 indischen Sprachen sowie unter Rauschbedingungen eine hohe Genauigkeit und Robustheit aufweist, wobei die Notwendigkeit von Aufmerksamkeitsmechanismen hinterfragt wird.
Diese Arbeit stellt DRL-GS vor, einen neuartigen Deep-Reinforcement-Learning-Algorithmus, der mithilfe eines Verifiers, eines Graph Neural Networks und eines Agenten die kombinatorisch komplexe Optimierung von Netzwerktopologien unter Berücksichtigung von Randbedingungen effizient löst und dabei bessere Ergebnisse als herkömmliche heuristische Methoden liefert.
Die Arbeit analysiert die gewichtete Kernel-Ridge-Regression unter Zielverschiebung, beweist, dass korrekte Gewichtung die Konvergenzraten im Vergleich zum Shift-freien Fall beibehält, zeigt die unvermeidliche Verzerrung bei fehlerhaften Gewichten und leitet daraus Konsequenzen für die Klassifikation ab.
Die Arbeit stellt den CLUB-Algorithmus vor, der durch die Kombination von Pufferphasen und erweiterten Reinforcement-Learning-Techniken die Reservepreisoptimierung in mehrphasigen Zweitpreisauktionen mit unbekannten Marktstörungen und strategischen Bietern adressiert und dabei sublineare Umsatzregret-Grenzen garantiert.
Diese Arbeit stellt einen effizienten globalen Optimierungsalgorithmus für das K-Center-Clustering vor, der mittels eines reduzierten Branch-and-Bound-Verfahrens mit einer neuartigen unteren Schranke und Beschleunigungstechniken globale Optima für bis zu eine Milliarde Stichproben garantiert und dabei die Zielfunktion im Vergleich zu Heuristiken durchschnittlich um 25,8 % verbessert.
Die Arbeit stellt SPARLING vor, einen Algorithmus, der unter Verwendung eines neuartigen Informationsengpasses extrem spärliche latente Motive identifizierbar macht und empirisch nachweist, dass diese extreme Sparsamkeit für eine präzise Modellierung von Zwischenzuständen notwendig ist.
Diese Studie untersucht die Anfälligkeit von Textklassifikatoren für Adversarial Attacks im Kontext der Glaubwürdigkeitsbewertung, stellt mit BODEGA ein neues Benchmark-Framework vor und zeigt, dass moderne Large Language Models anfälliger für solche Manipulationen sind als ältere Modelle.
Diese Literaturarbeit zeigt auf, wie versteckte Verzerrungen in KI-Modellen personaler Geräte zu unfairen Ergebnissen führen können, und fordert einen Paradigmenwechsel von rein leistungsorientierten hin zu menschenzentrierten Bewertungsansätzen, um durch Leitlinien für die Entwicklung bias-freier Systeme Gesundheit und Lebensqualität zu verbessern.
Diese Arbeit stellt eine auf Robinsons Normalabbildung basierende Variante des proximalen stochastischen Gradientenverfahrens (NSGD) vor, die in nichtkonvexen Settings fast sicher gegen stationäre Punkte konvergiert und gleichzeitig die Eigenschaft besitzt, aktive Mannigfaltigkeiten in endlicher Zeit zu identifizieren.
Diese Studie stellt drei neue Deep-Reinforcement-Learning-Algorithmen für teilweise beobachtbare Markov-Entscheidungsprozesse vor, die durch die Integration von Aktionsverläufen in rekurrente neuronale Netze und eine neuartige Architektur (H-TD3) die Leistungsfähigkeit steigern und gleichzeitig die Rechenzeit optimieren.
Diese Studie stellt einen Ansatz zur Vorhersage von Piktogrammen für brasilianische portugiesische AAC-Systeme vor, bei dem das Modell BERTimbau mit einem speziell erstellten Korpus trainiert wird und zeigt, dass die Verwendung von Bildunterschriften die höchste Genauigkeit erzielt, während Synonyme zu einer geringeren Perplexität führen.
Diese Studie stellt einen interpretierbaren KNN-basierten Ansatz zur Werkzeugzustandsüberwachung in der Fräsbearbeitung vor, der durch die Analyse von Kraftsignalen und die Aufklärung der Entscheidungsfindung fundierte Wartungsentscheidungen ermöglicht.
Diese Studie stellt BodoBERT, das erste Sprachmodell für die Bodo-Sprache, vor und entwickelt ein darauf aufbauendes Ensemble-Deep-Learning-Modell zur Part-of-Speech-Tagging, das eine F1-Bewertung von 0,8041 erreicht.
Die Studie schätzt mittels eines Maximum-Likelihood-Modells, dass zwischen 6,5 % und 16,9 % der Textmenge in den Peer-Reviews ausgewählter KI-Konferenzen nach dem Erscheinen von ChatGPT maßgeblich von großen Sprachmodellen beeinflusst oder generiert wurde, wobei die Nutzung insbesondere bei geringerer Vertrauenswürdigkeit, kurz vor Fristen und bei weniger engagierten Gutachtern häufiger auftritt.
Die vorgestellte Arbeit entwickelt ein leichtgewichtiges, themenbasiertes Wasserzeichen-Verfahren für Large Language Models, das durch die semantische Auswahl von Token-Subsets eine hohe Robustheit gegen Angriffe bei gleichzeitiger Wahrung der Textqualität und minimaler Integrationsoverhead gewährleistet.
Diese Arbeit stellt eine effiziente Methode zur Unsicherheitsquantifizierung vor, bei der ein einzelnes Modell auf synthetisch augmentierten Daten trainiert wird, um die Fehlerbalken eines gesamten Ensembles zu approximieren, ohne den hohen Rechenaufwand mehrerer Modellvorhersagen zu benötigen.