13018 Arbeiten
Das Paper stellt Crystal-GFN vor, ein generatives Modell auf Basis von GFlowNets, das durch die sequenzielle Generierung von Kristallstrukturen unter Berücksichtigung physikalischer und geometrischer Randbedingungen effizient neue Materialien mit gewünschten Eigenschaften wie niedriger Bildungsenthalpie und spezifischer Bandlücke entdeckt.
Der Artikel stellt GeoTop vor, ein mathematisch fundiertes Framework, das Topologische Datenanalyse und Lipschitz-Killing-Krümmungen vereint, um die Unterscheidung zwischen gutartigen und bösartigen Strukturen in der diagnostischen Bildgebung durch die Kombination topologischer Invarianz mit geometrischer Sensitivität zu verbessern und dabei sowohl die Genauigkeit als auch die Interpretierbarkeit zu steigern.
Diese Arbeit stellt einen optimalen, interaktiven Algorithmus für die Hypothesenauswahl unter lokaler Differentialprivatsphäre vor, der die bisherige Probenkomplexität von auf senkt und dabei zeigt, dass bereits wenige Interaktionsrunden ausreichen, um die Grenzen nicht-interaktiver Verfahren zu durchbrechen.
Diese Übersichtsarbeit bietet einen einheitlichen Rahmen und klare Leitlinien für den Einsatz von Graph Neural Networks in der EEG-basierten Emotionserkennung, indem sie bestehende Methoden kategorisiert, physiologische Besonderheiten hervorhebt und zukünftige Herausforderungen wie zeitliche vollständig verbundene Graphen diskutiert.
Diese Arbeit untersucht die Anwendbarkeit klassischer Lernprinzipien im Kontext des List-PAC-Lernens und zeigt, dass zwar die gleichmäßige Konvergenz weiterhin mit der Lernbarkeit äquivalent ist, die Vermutung der Stichprobenkompression jedoch widerlegt wird, da bestimmte lernbare Klassen nicht komprimiert werden können.
Die Autoren stellen einen effizienten Algorithmus für die agnostische Tomografie von Stabilisator-Produktzuständen vor, der es ermöglicht, einen beliebigen Quantenzustand so gut zu approximieren wie der beste Zustand innerhalb dieser Klasse, und dies in polynomieller Zeit für konstante Fidelity-Schwellenwerte erreicht.
Diese Arbeit analysiert bestehende Belohnungsfunktionen für das Reinforcement Learning im autonomen Fahren, identifiziert deren Mängel hinsichtlich Standardisierung und Kontextsensitivität und schlägt zukünftige Forschungsansätze vor, um diese Defizite durch strukturierte, konfliktlösende und validierbare Belohnungsmechanismen zu überwinden.
Diese Arbeit erweitert bestehende Ergebnisse zur Verfolgung von Lösungen zeitvariabler Variationsungleichungen, indem sie Schranken für nicht-monotone Funktionen und periodische Probleme ohne sublineare Lösungspfade liefert, das Konvergenzverhalten diskreter dynamischer Systeme untersucht und sowohl chaotisches Verhalten als auch Konvergenz nachweist.
Diese Arbeit stellt eine Methode vor, die Meta-Learning nutzt, um intrinsische Belohnungen als schwarze Kisten zu optimieren und so Reinforcement-Learning-Agenten in Umgebungen mit spärlichen Belohnungen zu besseren Daten-Effizienz und Generalisierungsfähigkeit zu verhelfen.
Die Autoren stellen AuToMATo vor, einen neuartigen, auf persistenter Homologie basierenden Clustering-Algorithmus, der durch eine Standardkonfiguration ohne manuelle Parametereinstellung auskommt, in Vergleichen mit anderen State-of-the-Art-Verfahren überzeugt und als Open-Source-Implementierung in Python verfügbar ist.
Diese Arbeit bestimmt die Schwellenwerte für die Detektion korrelierter stochastischer Blockmodelle mittels Polynome niedrigen Grades und zeigt, dass eine Unterscheidung von unabhängigen Erdős-Rényi-Graphen genau dann möglich ist, wenn die Subsampling-Wahrscheinlichkeit den Minimum-Wert aus der Wurzel von Otters Konstante und dem Kehrwert des Kesten-Stigum-Schwellenwerts überschreitet.
Diese Arbeit stellt die Iterative Proportional Markovian Fitting (IPMF)-Methode vor, die durch die Integration von Iterative Markovian Fitting und Iterative Proportional Fitting die Schrödinger-Brücke effizient löst, konvergiert und einen flexiblen Kompromiss zwischen Bildähnlichkeit und Generierungsqualität ermöglicht.
Die Arbeit stellt ANOMIX vor, ein Mixup-basiertes Framework zur Graph-Anomalieerkennung, das durch die Synthese informativer „harter Negativbeispiele" die Grenzen des Entscheidungssraums verfeinert und so die Erkennung subtiler, schwer unterscheidbarer Anomalien verbessert.
Die Autoren stellen Curriculum-enhanced GroupDRO (CeGDRO) vor, eine Methode, die durch eine gezielte Kurrikulum-Lern-Strategie, die schwerste bias-bestätigende und einfachste bias-konfliktierende Beispiele priorisiert, die übliche Vermeidung von Kurrikulum-Lernen bei Subgruppenverschiebungen durchbricht und so die State-of-the-Art-Ergebnisse auf gängigen Datensätzen signifikant verbessert.
Die Arbeit stellt FlowCLAS vor, ein hybrides Framework, das Normalizing Flows durch einen kontrastiven Lernansatz mit Outlier Exposure verbessert, um die Leistung bei der Anomalie-Segmentierung in dynamischen Roboterszenen zu steigern und die Lücke zu diskriminativen Methoden zu schließen.
Diese Arbeit stellt FSMLP vor, ein neuartiges Framework für die Zeitreihenvorhersage, das durch die Einführung einer Simplex-MLP-Schicht mit Gewichtsbeschränkungen im Frequenzbereich die Überanpassung bei der Modellierung von Kanalabhängigkeiten reduziert und somit die Vorhersagegenauigkeit sowie die Skalierbarkeit verbessert.
Diese Arbeit schlägt kognitionswissenschaftlich inspirierte Definitionen und eine standardisierte Evaluierungsmethodik vor, um die Vielfalt von Gedächtniskonzepten in Reinforcement-Learning-Agenten zu klären und deren Fähigkeiten objektiv zu vergleichen.
Die Arbeit stellt LoCo-RLHF vor, ein Framework, das durch die Nutzung einer niedrigrangigen Struktur und einer pessimistischen Strategie in einem reduzierten Subraum heterogenes menschliches Feedback effizient modelliert, um Large Language Models besser an individuelle Präferenzen anzupassen und Verteilungsverschiebungen zu bewältigen.
Diese Arbeit zeigt theoretisch und empirisch, dass das Entfernen schwieriger Beispiele die Generalisierung und Leistung des unüberwachten kontrastiven Lernens verbessert, da deren Anwesenheit sich negativ auf die Generalisierung auswirkt.
Diese Arbeit identifiziert und untersucht „Preference Leakage", ein Kontaminationsproblem bei der Verwendung von LLMs als Richter, das durch die Verwandtschaft zwischen Daten-Generatoren und Bewertungsmodellen entsteht und zu einer systematischen Verzerrung führt, die schwerer zu erkennen ist als bisher bekannte Bias-Phänomene.