11824 Arbeiten
Der Artikel stellt MoToRec vor, ein Framework zur kalten Start-Empfehlung, das multimodale Daten durch eine spärlich regularisierte diskrete Tokenisierung mittels RQ-VAE in interpretierbare semantische Codes umwandelt, um durch adaptive Seltenheitsverstärkung und hierarchische Graph-Enkodierung die Leistung bei neuen Artikeln signifikant zu verbessern.
Die Studie stellt Fun-DDPS vor, einen generativen Rahmen, der Diffusionsmodelle im Funktionsraum mit differentierbaren neuronalen Operatoren kombiniert, um sowohl bei extrem spärlichen Daten präzise Vorhersagen für die Kohlenstoffspeicherung zu treffen als auch physikalisch konsistente inverse Lösungen mit höherer Effizienz als herkömmliche Methoden zu liefern.
Die Arbeit stellt dXPP vor, ein straffungs-basiertes Differenzierungsframework für quadratische Optimierungsprobleme, das durch die Entkopplung von Lösung und Ableitung beliebige Black-Box-Solver nutzt und im Vergleich zu KKT-basierten Methoden bei großen Problemen eine deutlich höhere Recheneffizienz und numerische Robustheit bietet.
Die Arbeit zeigt, dass momentumbasierte Optimierer wie Adam und Muon bei glatten homogenen neuronalen Netzen unter einem abklingenden Lernratenplan als approximative steilste Abstiegsverfahren wirken und somit eine implizite Verzerrung hin zur Maximierung spezifischer Margen (entsprechend ihren Normen) aufweisen.
Die Autoren schlagen vor, die Struktur eines inferierten Markov-Zufallsfeldes zu nutzen, um optimale Variablenreihenfolgen für autoregressive Ising-Modelle zu bestimmen, was bei bildähnlichen Daten zu reduzierter Modellkomplexität und höherwertigen generierten Proben führt.
Dieser Leitfaden bietet einen modularen Rahmen für die Herleitung hochwahrscheinlicher Regret-Schranken bei der empirischen Risikominimierung, der auf einer dreistufigen Methode basiert und sich sowohl auf klassische Funktionklassen als auch auf Probleme mit Störkomponenten in der kausalen Inferenz erstreckt, wobei auch der in-sample-Fall behandelt wird.
SigmaQuant ist ein adaptives Framework für die heterogene Quantisierung von Deep-Learning-Modellen, das die Genauigkeit und Ressourceneffizienz auf Edge-Geräten durch eine hardwarebewusste, schichtspezifische Bitbreiten-Zuweisung ohne exhaustive Suche optimiert.
Die Arbeit stellt PSQE vor, einen theoretisch fundierten und praktischen Ansatz zur Verbesserung der Qualität und Verteilung von Pseudo-Samen für das unüberwachte multimodale Entitäten-Alignment, der durch Clustering-Resampling und theoretische Analysen die Leistung bestehender Modelle signifikant steigert.
Die vorgestellte Arbeit entwickelt ein generalisiertes neuronales Gedächtnissystem, das es ermöglicht, das Lernen und Vergessen von Informationen durch natürliche Sprachanweisungen flexibel zu steuern, um so kostspielige Nachtrainingsverfahren zu vermeiden und die Anpassungsfähigkeit an heterogene Datenquellen zu verbessern.
Die Arbeit stellt FlexGuard vor, ein LLM-basiertes Moderationssystem, das durch kontinuierliche Risikobewertung und eine neue Benchmark (FlexBench) die Anpassungsfähigkeit und Robustheit von Inhaltsfiltern an unterschiedliche und sich wandelnde Strengeanforderungen verbessert.
Diese Arbeit stellt einen effizienten, auf Randintegralen und neuronalen Operatoren basierenden Ansatz (BINO) vor, der die Gitterverformung als lineares Elastizitätsproblem formuliert und durch die mathematische Entkopplung physikalischer Integration von geometrischen Darstellungen hohe Genauigkeit sowie Recheneffizienz für parametrische Gittergenerierung und Formoptimierung gewährleistet.
Diese Arbeit überwindet die Beschränkungen bestehender offline-Reinforcement-Learning-Algorithmen für große oder kontinuierliche Aktionsräume, indem sie theoretische Garantien für parametrisierte Policies durch eine Verbindung von Mirror Descent und Natural Policy Gradient liefert, was zudem eine überraschende Vereinheitlichung von offline RL und Imitationslernen ermöglicht.
Dieses Papier charakterisiert den Alignment-Tax erstmals formal durch eine geometrische Theorie im Repräsentationsraum, die eine exakte Pareto-Grenze für den Trade-off zwischen Sicherheit und Leistungsfähigkeit in Abhängigkeit vom Winkel zwischen den entsprechenden Unterräumen herleitet und eine Skalierungsgesetz-Zerlegung in einen irreduziblen strukturellen Anteil sowie einen mit der Modelldimension verschwindenden Restanteil liefert.
Dieses Papier stellt ein auf 5,8 Millionen elektronischen Gesundheitsakten trainiertes Sprachmodell vor, das medizinische Kodierungen automatisiert und dabei nicht nur eine hohe Genauigkeit erreicht, sondern auch systematische Untererfassungen von Sekundärdiagnosen in der dänischen Bevölkerung aufdeckt.
Die Arbeit stellt CoPeP vor, ein Benchmark zum Evaluieren von kontinuierlichem Vor-Training für Protein-Sprachmodelle, das zeigt, wie die Nutzung zeitlicher Metadaten und fortgeschrittener Methoden die Modellleistung verbessert, um mit der dynamischen Natur biologischer Daten Schritt zu halten.
Das Paper stellt IDER vor, eine neue Methode für zuverlässiges kontinuierliches Lernen, die durch die Ausnutzung der Idempotenz-Eigenschaft das Vergessen alter Aufgaben reduziert, die Vorhersagezuverlässigkeit erhöht und dabei rechenintensiv effizient mit bestehenden Replay-Verfahren kompatibel ist.
Die Studie stellt BornoViT vor, einen neuartigen, ressourcenschonenden Vision-Transformer mit nur 0,65 Millionen Parametern, der für die Klassifizierung bengalischer handschriftlicher Zeichen und Ziffern entwickelt wurde und auf dem BanglaLekha-Datensatz eine Genauigkeit von 95,77 % erreicht.
Diese Arbeit stellt einen theoretischen Rahmen vor, der Group Relative Policy Optimization (GRPO) als U-Statistik charakterisiert, um dessen asymptotische Optimalität, Fehlergrenzen und eine universelle Skalierungsregel für die Gruppengröße herzuleiten und empirisch zu validieren.
Diese Arbeit interpretiert das Phänomen des „Grokking" als Phasenübergang zwischen konkurrierenden Lösungsbecken mittels der Singular Learning Theory, wobei sie geschlossene Ausdrücke für den lokalen Lernkoeffizienten in quadratischen Netzwerken herleitet und empirisch nachweist, dass dieser Koeffizient ein zuverlässiges Werkzeug zur Verfolgung der Generalisierungsdynamik darstellt.
Die Arbeit stellt die Walk-on-Spheres Neural Operator (WoS-NO) vor, eine Methode, die mithilfe der Walk-on-Spheres-Methode schwache Supervision aus Monte-Carlo-Simulationen nutzt, um neuronale Operatoren für partielle Differentialgleichungen effizient und datenfrei zu trainieren, wodurch höhere Ableitungen vermieden werden und eine überlegene Genauigkeit, Geschwindigkeit sowie Speicherersparnis im Vergleich zu herkömmlichen physik-informierten Ansätzen erreicht wird.