11971 Arbeiten
Die Autoren stellen ein neues Framework vor, das kontextbewusste Laufzeitmonitore unter Verwendung von Techniken aus dem kontextuellen Multi-Armed Bandit lernt, um in KI-gesteuerten autonomen Systemen die Sicherheit und Leistung durch die dynamische Auswahl des für den aktuellen Kontext besten Controllers zu verbessern.
Die Studie zeigt, dass die effektive Dimension als unüberwachtes geometrisches Maß die Leistung von 52 vortrainierten Bilderkennungsmodellen stark vorhersagt und somit einen domänenunabhängigen, label-freien Indikator für die Generalisierungsfähigkeit neuronaler Netze darstellt.
SwiftRepertoire ist ein Few-Shot-Lernframework, das durch die dynamische Synthese kompakter Adapter-Module aus einem Prototypen-Wörterbuch und leichten Aufgabenbeschreibungen eine effiziente, interpretierbare und rechenarme Anpassung vortrainierter T-Zell-Rezeptor-Modelle an neue klinische Aufgaben mit nur wenigen gelabelten Beispielen ermöglicht.
Die Studie zeigt, dass das Phänomen „Contextual Drag" die Leistung von Sprachmodellen bei der Selbstverbesserung um 10–20 % verschlechtert, indem fehlgeschlagene Versuche im Kontext zu strukturell ähnlichen Folgefähern führen, die durch gängige Korrekturmechanismen nicht vollständig behoben werden können.
Diese Arbeit verbessert die Klassifizierung unter lokaler Differentialprivatsphäre, indem sie privates Lernen als Transferlernen neu interpretiert und durch ein verrauschtes Feedback-Evaluierungsverfahren, Modellumkehrung sowie gewichtete Modellmittelung die durch Rauschen verursachten Genauigkeitsverluste kompensiert.
Diese Arbeit untersucht, wie sich durch die Einbeziehung von kontrafaktischen und robusten kontrafaktischen Abfragen die Anzahl der benötigten Anfragen zur Extraktion linearer Modelle verändert, wobei sich zeigt, dass die Wahl der Distanzfunktion und der Robustheit einen entscheidenden Einfluss auf die Sicherheit des Modells hat.
Die Arbeit stellt den FlexDOME-Algorithmus vor, der als erste Methode für sichere Online-Reinforcement-Learning in Constrained Markov Decision Processes (CMDPs) nachweislich sublineare starke Reue, eine nahezu konstante starke Verletzung von Sicherheitsbedingungen und eine nicht-asymptotische Konvergenz der letzten Iteration durch den Einsatz von zeitlich variierenden Sicherheitsmargen und Regularisierung erreicht.
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.