13021 Arbeiten
Die Arbeit charakterisiert den impliziten Bias des JKO-Schemas auf einer Riemannschen Mannigfaltigkeit bis zur zweiten Ordnung in der Schrittweite , indem sie zeigt, dass das Schema einem modifizierten Energiefunctional entspricht, das durch eine Korrekturterme basierend auf der quadrierten metrischen Krümmung des ursprünglichen Funktionals entsteht.
Die Studie zeigt, dass Audio-Modelle mit höherer Leistung in nachgelagerten Aufgaben auch eine stärkere Ähnlichkeit mit menschlichen Gehirnaktivitäten aufweisen, was darauf hindeutet, dass brain-ähnliche Repräsentationen ein emergentes Nebenprodukt des Lernens aus natürlichen Audiodaten sind.
EnECG ist ein effizientes Ensemble-Lern-Framework für EKG-Multi-Task-Aufgaben, das spezialisierte Foundation-Modelle durch eine leichte Anpassung mit Low-Rank Adaptation (LoRA) und einen Mixture-of-Experts-Mechanismus kombiniert, um die Rechenkosten zu senken und gleichzeitig die Vorhersageleistung für klinische Anwendungen zu verbessern.
Die Arbeit stellt „Soft QD" als eine diskretisierungsfreie Alternative zur herkömmlichen Qualitäts-Diversitäts-Optimierung vor, die durch die Herleitung des differenzierbaren Algorithmus SQUAD skalierbare Lösungen für hochdimensionale Probleme bietet und dabei mit dem aktuellen Stand der Technik konkurrieren kann.
Diese Arbeit untersucht, wie die Einschränkung des Optimierungsrums durch ein vortrainiertes Basismodell und Low-Rank Adaptation (LoRA) strukturierte und semantisch aussagekräftige Repräsentationen im Gewichtsraum induziert, die sich insbesondere für Rekonstruktions-, Generierungs- und Analyseaufgaben sowie zur Verbesserung der Qualität latenter Diffusionsmodelle eignen.
Die Arbeit stellt ceLLMate vor, ein browserbasiertes Sandboxing-Framework, das durch die Überwachung des HTTP-Verkehrs anstelle von unsicheren UI-Eingriffen die Auswirkungen von Prompt-Injection-Angriffen auf Browser-Agenten effektiv eindämmt.
Der Artikel stellt NRR-Core vor, ein Rechenrahmenwerk, das die vorzeitige Auflösung von Mehrdeutigkeiten in KI-Systemen durch Prinzipien wie Nicht-Identität und parallele Interpretation aufhebt, um die semantische Flexibilität bis zum Eintreffen des Kontexts zu bewahren.
Diese Arbeit führt ein intrinsisches Drift-Budget ein, das die kumulative Fisher-Rao-Bewegung der Datenverteilung in geschlossenen Lernsystemen quantifiziert und zeigt, dass die Reproduzierbarkeit der Vorhersagen durch eine untere Schranke von bestimmt wird, welche die unvermeidbare Genauigkeitsgrenze bei nicht vernachlässigbarer Drift festlegt.
Die Arbeit stellt BumpNet vor, ein spärliches MLP-Framework auf Basis trainierbarer Sigmoid-Funktionen zur effizienten und universellen Approximation von PDE-Lösungen und Operatoren, das durch Kombination mit PINNs, EDNNs und DeepONets erweitert wird.
Dieses Paper stellt einen vollständig online arbeitenden, robusten Reinforcement-Learning-Algorithmus mit allgemeiner Funktionsapproximation vor, der ohne Vorwissen oder vorgefertigte Daten robuste Strategien lernt und durch die Einführung der robusten Bellman-Eluder-Dimension sublineare Regret-Garantien für eine breite Klasse von Unsicherheitsmengen nachweist.
Die Arbeit stellt OASI vor, eine Methode zur initialisierungsbasierten multi-objectiven bayesschen Optimierung, die durch pareto-biasierte Simulated Annealing-Lösungen effizientere und speicherkonforme Keyword-Spotting-Modelle für TinyML auf Mikrocontrollern ermöglicht.
Diese Studie zeigt, dass Reinforcement Learning mit verifizierbaren Belohnungen (RLVR) die Generalisierungsfähigkeit von Sprachmodellen in der kausalen Schlussfolgerung im Vergleich zur überwachten Feinabstimmung verbessert, jedoch nur dann wirksam ist, wenn die Modelle über eine ausreichende initiale Schlussfolgerungskompetenz verfügen, um ihre Marginalisierungsstrategien und Zwischenschritte zu optimieren.
Diese Arbeit stellt den ersten deterministischen iterativen Algorithmus vor, der für beliebige und eine -Kernmenge mit optimaler Größe ohne logarithmische Faktoren konstruiert, um eine deterministische -Unterraumeinbettung zu gewährleisten und damit das -Regressionsproblem deterministisch zu lösen.
Die Arbeit stellt DevRev-Search vor, einen automatisiert erstellten Benchmark für die technische Kundenunterstützung, der durch eine indexerhaltende Anpassungsstrategie, bei der nur der Query-Encoder feinabgestimmt wird, eine skalierbare und effiziente Lösung für die Domain-Adaption in Multi-Tenant-Suchsystemen bietet.
Die Arbeit stellt den „Measurement-Consistent Langevin Corrector" (MCLC) vor, einen theoretisch fundierten Plug-and-Play-Modul, der die Instabilität latenter Diffusionslösungsansätze für inverse Probleme durch messungskonsistente Langevin-Aktualisierungen behebt und so eine stabilere und zuverlässigere Lösung im latenten Raum ermöglicht.
Diese Studie stellt einen mehrstufigen, projektionsbasierten Ansatz vor, der durch die Fusion von 2D-Segmentierungen geschätzte 3D-Masken zur Extraktion von Halswirbel-Volumen nutzt und anschließend Ensemble-Modelle aus CNNs und Transformern einsetzt, um Halswirbelsäulenfrakturen mit einer diagnostischen Genauigkeit zu identifizieren, die der von Expertenradiologen vergleichbar ist.
Diese Arbeit entwickelt ein statistisches Rahmenwerk, das zeigt, dass synthetische Daten bei unausgewogenen Klassifizierungsproblemen nicht immer vorteilhaft sind, und empfiehlt die Methode VTSS zur optimalen Bestimmung der Anzahl synthetischer Stichproben basierend auf Validierungsverlusten.
Die Arbeit stellt SpecBridge vor, ein neuartiges Framework, das durch die Feinabstimmung eines spektralen Encoders zur Ausrichtung auf einen eingefrorenen molekularen Basis-Modell-Latenzraum die Identifizierung von Kleinstmolekülen aus Tandem-Massenspektrometrie-Daten erheblich verbessert und dabei eine stabile, parameter-effiziente Alternative zu herkömmlichen Architekturen bietet.
Der Artikel stellt LeanTutor vor, ein Proof-of-Concept-System, das die Stärken von Large Language Models und dem Theorembeweiser Lean kombiniert, um einen verifizierten KI-Mathematik-Tutor zu entwickeln, und führt zur Evaluierung den PeanoBench-Datensatz ein.
Die Arbeit stellt NRR-Phi vor, ein formales Framework zur Text-zu-Zustand-Mapping, das durch eine hybride Extraktionspipeline die vorzeitige semantische Commitment in LLMs verhindert und so die Erhaltung mehrerer Interpretationen in einem nicht-kollabierenden Zustandsraum ermöglicht.