12637 Arbeiten
Das Papier stellt Aura vor, ein universelles Framework, das durch eine maßgeschneiderte dreiteilige Kodierungsmechanik heterogene externe Faktoren in die Zeitreihenvorhersage für die Luftfahrt integriert und damit auf einem großen Datensatz der China Southern Airlines state-of-the-art-Ergebnisse erzielt.
Die Autoren stellen eine neue Theorie für Axiomatische On-Manifold-Shapley-Attribution vor, die auf optimalen generativen Flüssen und der Minimierung der kinetischen Energie basiert, um die Probleme von Off-Manifold-Artefakten zu lösen und eine geometrisch effiziente, stabile sowie semantisch kohärente Erklärungsmethode zu gewährleisten.
Die Arbeit stellt ARC-TGI vor, ein Open-Source-Framework für von Menschen validierte Python-Generatoren, die diverse und regelkonforme ARC-AGI-Aufgaben mit zugehörigen Begründungsketten erzeugen, um Overfitting zu vermeiden und skalierbare, kontrollierte Benchmarking-Möglichkeiten zu schaffen.
Das Paper stellt BLINK vor, ein rekurrentes Zustandsraummodell, das latente Interaktionsdynamiken zwischen NK-Zellen und Tumorzellen aus Zeitreihendaten lernt, um zytotoxische Ergebnisse präziser zu erkennen, vorherzusagen und interpretierbare Verhaltensmuster aufzudecken.
Die vorgestellte Arbeit schlägt ein zweistufiges Reward-Curriculum vor, das aufgabenbezogene Ziele von Verhaltensaspekten entkoppelt, um das Training von Robotern in der Deep Reinforcement Learning zu stabilisieren und effizienter zu gestalten, indem zunächst eine vereinfachte Belohnungsfunktion für die Exploration genutzt wird, bevor zusätzliche Verhaltenskriterien wie Energieeffizienz eingeführt werden.
Die Arbeit stellt FedBCGD und dessen beschleunigte Variante FedBCGD+ vor, die durch eine blockweise Kommunikation von Modellparametern in Federated Learning die Kommunikationskosten für große Modelle wie Vision Transformer signifikant senken und dabei eine schnellere Konvergenz als bestehende Methoden erreichen.
Die Arbeit stellt SRasP vor, eine neuartige Methode zur Selbst-Neuausrichtung adversarialer Stilstörungen, die durch globale semantische Führung und eine multi-objektive Optimierung die Gradientenstabilität verbessert und robustere Lösungen für das Few-Shot-Lernen über Domänengrenzen hinweg ermöglicht.
Diese Studie demonstriert, dass ein durch Diffusionsmodelle geleiteter Sampling-Ansatz, der auf Lösungen der Advektions-Reaktions-Diffusions-Gleichung trainiert wurde, physikalisch konsistente Konzentrationsfelder für Gasphasenreaktionen erzeugt und auch bei nicht gesehene Parametern genaue Vorhersagen der Austrittskonzentrationen ermöglicht.
Diese Arbeit stellt eine exakte Korrespondenz zwischen der Ausdruckskraft von rekurrenten Graph-Neuronalen Netzen und rekurrenten arithmetischen Schaltkreisen über den reellen Zahlen her, indem sie beide Modelle wechselseitig simulieren und somit ihre rechnerische Äquivalenz nachweist.
Die Arbeit zeigt theoretisch und experimentell, dass Analogieschluss in Transformern durch das Erlernen einer gemeinsamen Repräsentationsgeometrie für ähnliche Entitäten ermöglicht wird, wobei eine sequenzielle Trainingsreihenfolge von Ähnlichkeits- zu Attributwissen sowie das explizite Vorhandensein von Identitätsbrücken für mehrstufiges Schlussfolgern entscheidend sind.
Die Studie stellt fedCI und fedCI-IOD vor, eine neue Methode für die federierte kausale Entdeckung, die es ermöglicht, unter Berücksichtigung von Datenschutz, heterogenen Variablen und latenten Störfaktoren kausale Zusammenhänge über verteilte Datensätze hinweg zu identifizieren, ohne diese zentralisieren zu müssen.
Die Studie zeigt, dass eine einfache Lungenzuschneidung durch Begrenzungsrahmen ein wirksames Mittel ist, um das Erlernen rassistischer Kurzschlüsse in KI-Modellen für Röntgenbilder zu reduzieren, ohne dabei die diagnostische Genauigkeit zu beeinträchtigen.
Die Arbeit stellt Alt-FL vor, ein privatsphäreschützendes Framework für Federated Learning, das durch eine neuartige rundenbasierte Verflechtung von Differential Privacy, Homomorpher Verschlüsselung und synthetischen Daten einen flexiblen Ausgleich zwischen Privatsphäre, Lernqualität und Effizienz ermöglicht.
Die Arbeit stellt GeoDVF vor, ein geometrieadaptives tiefes variationsbasiertes Framework, das durch die gemeinsame Optimierung von Ordnungsparametern und Domänengeometrie künstliche Spannungen eliminiert und die robuste Entdeckung stabiler sowie metastabiler Phasen im Landau-Brazovskii-Modell ermöglicht.
Die Autoren stellen eine trainierbare Bitweise-Soft-Quantisierungsschicht vor, die Eingangsmerkmale von neuronalen Netzen effizient komprimiert, um die Datenübertragung von Edge-Geräten zu reduzieren und dabei bei hohen Kompressionsfaktoren von 5- bis 16-fach die Genauigkeit im Vergleich zu Vollpräzisionsmodellen weitgehend zu erhalten.
Die Arbeit stellt einen regulatorischen Rahmen vor, der KI-Regulierung als Mechanismusdesign unter Unsicherheit formuliert und beweist, dass eine perfekte Marktordnung erreicht wird, wenn die Menge der nicht konformen Verteilungen eine glaubhafte Menge (Credal Set) bildet.
Die vorgestellte Arbeit führt den sequentiellen Schwellenwert für den Variationskoeffizienten (STCV) ein, einen neuen, datenskalingunabhängigen Regularisierer, der die robuste und zuverlässige Identifikation sparser nichtlinearer Dynamikgesetze aus normalisierten, verrauschten Daten ermöglicht und damit die Schwächen herkömmlicher SINDy-Methoden überwindet.
Die Arbeit stellt Stable-LoRA vor, eine Methode zur dynamischen Gewichtsverkleinerung, die die Stabilität des Feature-Learnings bei der Low-Rank-Adaptation (LoRA) verbessert und dabei deren theoretische Grenzen überwindet, ohne zusätzlichen Speicherbedarf oder nennenswerten Rechenaufwand zu verursachen.
Die vorgestellte Arbeit optimiert die Effizienz des spekulativen Dekodierens bei Large Language Models, indem sie die Vokabulargröße von Draft-Modellen durch ein constrained-Optimierungsverfahren reduziert, das eine Balance zwischen der Abdeckung notwendiger Token und der Latenz herstellt, was insbesondere bei domänenspezifischen Aufgaben zu signifikanten Geschwindigkeitssteigerungen führt.
Die Studie stellt das erste Multi-Label-Datenset für intraoperative Adverse Events vor und entwickelt IAENet, einen Transformer-basierten Rahmen mit neuartigen Modulen zur Fusion heterogener Daten und zum Ausgleich von Klassenungleichgewichten, der die Vorhersagegenauigkeit für kritische intraoperative Ereignisse signifikant verbessert.