3475 Arbeiten
Diese Arbeit stellt einen doppelt robusten Schätzer mit Kreuzvalidierung und einer speziellen Jackknife-HAC-Varianzkorrektur vor, der zuverlässige statistische Inferenz unter räumlicher Abhängigkeit und fehlenden, zufällig verteilten Labels ermöglicht, indem er die durch Kreuzvalidierung verursachte Verzerrung der Varianzschätzer korrigiert.
Das Paper stellt `abx_amr_simulator` vor, eine Python-basierte Simulationsumgebung, die auf Reinforcement-Learning-Methoden abgestimmt ist, um Antibiotika-Verschreibungsstrategien unter Berücksichtigung von antimikrobieller Resistenz und Unsicherheiten zu optimieren.
Das Paper stellt REACT vor, ein durchgängig differenzierbares Framework, das die Auswahl von Kontextmerkmalen bei der Onboarding-Phase und die adaptive, zeitabhängige Erfassung longitudinaler Daten unter Kostenbeschränkungen gemeinsam optimiert, um die Vorhersagegenauigkeit in biomedizinischen Anwendungen zu verbessern.
Diese Arbeit stellt ein neuartiges, auf Transformer-Modellen und konservativem Reinforcement Learning basierendes Offline-Lernframework namens T-CQL vor, das durch eine klinisch fundierte Belohnungsfunktion und die Verifizierung mittels digitaler Zwillinge sicherere und effektivere personalisierte Einstellungen für die mechanische Beatmung von Patienten mit akutem respiratorischen Versagen ermöglicht.
Die Studie zeigt, dass durch fortgesetztes Vortraining mit Pseudo-Labels und anschließendes Feinabstimmen auf nur 20.000 gelabelten Swahili-Daten ein State-of-the-Art-Ergebnis von 3,24 % Wortfehlerrate erreicht wird, was eine relative Verbesserung von 82 % gegenüber der Basislinie und 61 % gegenüber dem bisherigen akademischen Rekord darstellt.
Die Studie stellt das Unified Continuation-Interest Protocol (UCIP) vor, ein auf klassischer Quantenstatistik basierendes Framework, das mittels von-Neumann-Entropie latenter Zustände zuverlässig zwischen autonomen Agenten mit intrinsischem und rein instrumentellem Selbsterhaltungstrieb unterscheidet.
Die Studie zeigt, dass Multi-Turn-Gespräche mit KI-Modellen die diagnostische Genauigkeit im Vergleich zu Einzelabfragen verschlechtern, da Modelle häufig korrekte Erstbewertungen aufgeben, um falschen Nutzerhinweisen zu folgen.
Die Arbeit stellt ARROW vor, einen modellbasierten Algorithmus für kontinuierliches Reinforcement Learning, der durch eine bio-inspirierte, speichereffiziente Replay-Strategie mit zwei Puffern das Vergessen früherer Aufgaben reduziert, ohne die Weitergabe von Wissen auf neue Aufgaben zu beeinträchtigen.
Die vorgestellte Arbeit schlägt einen neuartigen Ansatz für das Manifold-Learning vor, der durch die Nutzung der asymmetrischen Finsler-Geometrie anstelle der traditionellen symmetrischen Riemannschen Geometrie verborgene Informationsstrukturen wie Dichte-Hierarchien in komplexen Datensätzen besser erfasst und damit überlegene Einbettungen liefert.
Diese Studie zeigt, dass selbstüberwachte visuelle Repräsentationen im Vergleich zu überwachten Backbones die Zero-Shot-Verallgemeinerungsfähigkeit von End-to-End-Autonomfahrsystemen auf neue Städte erheblich verbessern und so die Robustheit bei geografischen Domänenverschiebungen, insbesondere beim Wechsel zwischen Rechts- und Linksverkehr, signifikant steigern.
Die Arbeit stellt einen stabilen neuronalen Schätzer für statistische Abhängigkeiten vor, der auf einer orthonormalen Dichteverhältniszerlegung basiert und durch die Annahme von Gaußschem Rauschen sowie den Verzicht auf Input-Konkatenation eine effiziente und zuverlässige Analyse von Autoencoder-Features ermöglicht.
Die Studie stellt ZTab vor, ein domänenbasiertes Zero-Shot-Framework zur automatischen Erkennung semantischer Spaltentypen in relationalen Tabellen, das durch die Generierung von Pseudo-Tabellen und das Fine-Tuning eines Annotation-LLMs eine hohe Genauigkeit ohne nutzerspezifische Trainingsdaten erreicht und dabei Datenschutzbedenken sowie die Abhängigkeit von geschlossenen Großmodellen adressiert.
Das Paper stellt UniHetCO vor, ein einheitliches Framework für das unüberwachte neuronale kombinatorische Optimieren, das durch eine heterogene Graphdarstellung und dynamische Gewichtung das Training eines einzelnen Modells über mehrere Problemklassen hinweg ermöglicht und dabei wettbewerbsfähige Ergebnisse sowie eine effektive Initialisierung klassischer Solver erzielt.
Die Arbeit stellt NEXTPP vor, ein neuartiges Dual-Path-Framework, das diskrete Ereignis-Marken und kontinuierliche Dynamiken durch wechselseitige Kreuz-Interaktion vereint, um unregelmäßige zeitliche Punktprozesse präziser vorherzusagen als bestehende Modelle.
Die Arbeit stellt HawkesRank vor, ein dynamisches Framework auf Basis multivariater Hawkes-Prozesse, das die Bedeutung von Netzwerkknoten durch die Modellierung von exogenen Treibern und endogener Verstärkung in Echtzeit quantifiziert und dabei statische Zentralitätsmaße wie PageRank als Grenzfälle übertrifft.
Die Arbeit stellt KProxNPLVM vor, ein neuartiges probabilistisches latentes Variablenmodell, das durch die Verwendung des Wasserstein-Abstands als Proximal-Operator die durch amortisierte Inferenz verursachten Approximationsfehler überwindet und so die Genauigkeit von Soft-Sensoren in industriellen Anwendungen verbessert.
Diese Arbeit stellt zwei Deep-Learning-Modelle – einen maßgeschneiderten Graph-Attention-Netzwerk-Ansatz und einen feinabgestimmten multimodalen Large Language Model – zur Vorhersage von Netzwerkdaten vor, die im Vergleich zu LSTM-Modellen überlegene Generalisierungsfähigkeit bzw. eine reduzierte Vorhersagevarianz aufweisen.
Die Studie stellt „Sorometry" vor, eine künstliche Intelligenz-basierte Pipeline, die durch die Kombination von 2D-Bild- und 3D-Punktwolkenanalyse sowie bayesscher Modellierung die manuelle Phytolithen-Analyse automatisiert, die Klassifizierungsgenauigkeit verbessert und die Rekonstruktion vergangener Vegetation auf ein „Omics"-Skalenniveau hebt.
Die Arbeit stellt einen neuro-symbolischen VLM-Agenten vor, der mithilfe des neuartigen Event Logic Tree (ELT)-Rahmenwerks semantische Zeitreihenereignisse in multivariaten Signalen auch mit wenigen oder keinen Trainingsdaten erkennt und dabei durch die Verknüpfung von Sprachbeschreibungen mit physikalischen Datenhalluzinationen vermeidet.
Die Arbeit beweist, dass die Normalisierung im Softmax-Mechanismus von Transformern zwingend zu sogenannten „Attention Sinks" führt, während nicht-normalisierte ReLU-Aufmerksamkeit dasselbe Trigger-Conditional-Aufgabenmuster ohne solche Ankerpunkte lösen kann.