11575 Arbeiten
Das Paper stellt PC Agent-E vor, ein effizientes Trainingsframework, das durch die Kombination von nur 312 menschlichen Demonstrationsdaten mit synthetisierten Alternativen mittels Claude 3.7 Sonnet die Leistung von Computer-Nutzungs-Agenten signifikant steigert und dabei sowohl reine Menschendaten als auch direkte Distillation von Claude 3.7 Sonnet auf dem neuen Benchmark WindowsAgentArena-V2 übertrifft.
Diese Arbeit stellt neue Methoden für die selektive Klassifizierung unter Kovariatenverschiebung vor, die auf dem Neyman-Pearson-Lemma basieren und durch Likelihood-Verhältnisse eine robustere Leistung als bestehende Ansätze erzielen.
Die vorgestellte Arbeit entwickelt einen automatisierten, struktur-bewussten Ansatz zur Sparsifizierung hybrider neuronaler ODEs durch eine Kombination aus domäneninformierten Graph-Modifikationen und datengesteuerter Regularisierung, um in datenarmen medizinischen Szenarien die Vorhersagegenauigkeit und Stabilität zu verbessern, ohne die mechanistische Plausibilität zu verlieren.
Die Arbeit stellt NatADiff vor, eine Methode zur Erzeugung natürlicher adversarieller Beispiele mittels Diffusionsmodellen und adversarialer Grenzführung, die durch das gezielte Ausnutzen struktureller Gemeinsamkeiten zwischen Klassen sowohl die Übertragbarkeit von Angriffen verbessert als auch eine höhere Übereinstimmung mit realen Testzeitfehlern erreicht.
Diese Arbeit stellt ein neuartiges Framework vor, das Daten-Augmentations-Parameter als Modellhyperparameter behandelt und durch die Optimierung der marginalen Likelihood mittels eines abgeleiteten ELBO eine robuste, bayesianisch fundierte Auswahl von Augmentierungsstrategien ermöglicht, die sich in verbesserten Generalisierungs- und Kalibrierungsergebnissen auf Computer-Vision- und NLP-Aufgaben zeigt.
Die Arbeit stellt WARP vor, ein neuartiges Modell, das das Lernen im Gewichtsraum mit linearer Rekurrenz vereint, indem es den verborgenen Zustand als Parameter eines Hilfsnetzwerks parametrisiert, was effiziente testzeitliche Anpassung, In-Context-Learning und die Integration physikalischer Priors ermöglicht und dabei auf vielfältigen Aufgaben den Stand der Technik erreicht oder übertrifft.
Die vorgestellte Arbeit führt Dynamic Manifold Hopfield Networks (DMHN) ein, ein datengetriebenes dynamisches Modell, das durch kontextabhängige Deformation der Attraktor-Manifold-Geometrie eine überlegene Kapazität und Robustheit bei der assoziativen Gedächtniswiedergabe im Vergleich zu klassischen Hopfield-Netzwerken erreicht.
Die Arbeit stellt vor, eine neue Methode zur Lernung von Populationsdynamiken, die das JKO-Schema mit inverser Optimierung kombiniert und dabei auf restriktive Architekturen verzichtet, um eine effiziente End-to-End-Training sowie verbesserte Leistung und theoretische Garantien zu ermöglichen.
Diese Arbeit stellt die Interaction Field Matching (IFM)-Methode vor, eine Verallgemeinerung des elektrostatischen Field Matching, die durch die Einführung eines speziellen Wechselwirkungsfelds die Modellierungsschwierigkeiten elektrostatischer Felder überwindet und sich für Aufgaben der Datengenerierung und -übertragung eignet.
Die Arbeit stellt DiaBlo vor, eine effiziente Methode zum Feinabstimmen von Sprachmodellen, die durch die Aktualisierung ausschließlich der Diagonalblöcke in Gewichtsmatrizen eine stabile Konvergenz und Leistung erzielt, die mit der des vollständigen Feinabstimmens vergleichbar ist, ohne dabei auf komplexe Hilfsinitialisierungen angewiesen zu sein.
Die Arbeit stellt „Search Arena" vor, einen groß angelegten, crowdsourceden Datensatz mit über 24.000 menschlichen Präferenzbewertungen für suchgestützte LLMs, der neue Erkenntnisse über die Glaubwürdigkeit von Zitaten und die Leistungsfähigkeit solcher Systeme in verschiedenen Szenarien liefert.
Diese Arbeit stellt den Radon-Nikodym-Schätzer (RNE) vor, einen plattformunabhängigen Ansatz, der auf Dichteverhältnissen basiert, um die Schätzung von Randdichten, die Steuerung von Diffusionsmodellen zur Inferenzzeit und das energiebasierte Training unter einem einheitlichen Rahmenwerk zu vereinen.
Das Paper stellt Perception-R1 vor, eine Methode, die durch einen neuartigen visuellen Wahrnehmungsbelohnung im Rahmen des Reinforcement Learning mit verifizierbaren Belohnungen (RLVR) die multimodale Wahrnehmung und Schlussfolgerungsfähigkeit von Large Multimodal Models (MLLMs) verbessert und dabei mit nur 1.442 Trainingsdaten state-of-the-art Ergebnisse auf mehreren Benchmarks erzielt.
Diese Studie stellt einen hybriden Ansatz vor, der kontextuelle Banditen zur Auswahl von Interventionsarten mit großen Sprachmodellen zur personalisierten Inhaltsgenerierung kombiniert, um in einer 30-tägigen physischen Aktivitätsintervention die Akzeptanz zu erhöhen, den Token-Verbrauch zu senken und eine nachvollziehbare, adaptive Entscheidungsfindung zu ermöglichen.
StreamSplat ist ein vollständig feed-forward Framework, das unkalibrierte Videostreams beliebiger Länge online und in Echtzeit in dynamische 3D-Gaussian-Splatting-Repräsentationen umwandelt und dabei durch probabilistische Sampling-Mechanismen, ein bidirektionales Deformationsfeld sowie adaptive Fusion eine bisher unerreichte Geschwindigkeit und Rekonstruktionsqualität ohne Optimierungsschritte erreicht.
Die Studie stellt ein neuartiges Framework vor, das differenzierbare Hybridklimamodelle nutzt, um physikalisch konsistente Worst-Case-Hitzewellen-Szenarien zu generieren, die deutlich intensiver sind als die extremsten Mitglieder herkömmlicher Ensemble-Simulationen.
Dieses Paper stellt SatSOM vor, eine Erweiterung von Self-Organizing Maps, die durch einen neuartigen Sättigungsmechanismus, der die Lernrate und Nachbarschaftsgröße erfahrener Neuronen reduziert, das katastrophale Vergessen beim kontinuierlichen Lernen effektiv verhindert.
Dieser Artikel stellt einen neuartigen Rahmen vor, der auf dem Dominanzbasierten Rauschen-Set-Ansatz und aussagekräftigen Wenn-dann-Regeln basiert, um transparente und interpretierbare Composite-Indikatoren zu konstruieren, die sowohl für diskrete Klassifikationen als auch für kontinuierliche Scores mit fehlenden Werten anwendbar sind.
Die Studie zeigt, dass die Ausrichtung (Alignment) von Large Language Models die Vielfalt der Generierung durch eine signifikante Reduktion des „Branching Factor" – ein Maß für die Anzahl plausibler Folgetokens – drastisch einschränkt, indem sie das Modell in deterministischere Pfade lenkt, was sowohl die geringere Sensitivität gegenüber Dekodierungsstrategien als auch die Stabilität von Chain-of-Thought-Verfahren erklärt.
Die vorgestellte Arbeit stellt einen neuartigen, speicher- und aktivierungsfreien Annealing-Guidance-Scheduler vor, der die Guidance-Skala in Diffusionsmodellen dynamisch anpasst, um die Bildqualität und die Textübereinstimmung im Vergleich zur herkömmlichen Classifier-Free Guidance signifikant zu verbessern.