13082 Arbeiten
Die Arbeit stellt eine korrigierte stochastische MALA-Methode (csMALA) vor, die eine skalierbare Annäherung an die Gibbs-Posterior-Verteilung ermöglicht und damit eine zuverlässige Unsicherheitsquantifizierung für neuronale Netze mit optimalen Kontraktionsraten und theoretisch fundierten Abdeckungseigenschaften erlaubt.
Die Autoren stellen einen neuen Ansatz vor, bei dem das für Diffusionsmodelle kritische Varianz-Schema während des Trainings gelernt wird, anstatt es manuell zu feinabstimmen, was in inversen Problemen wie der Super-Resolution-Mikroskopie und der quantitativen Phasenabbildung zu stabilen und überlegenen Ergebnissen führt.
Die Studie stellt MatSegNet vor, ein neuartiges, konturbewusstes Deep-Learning-Modell zur präzisen Segmentierung und quantitativen Analyse von Karbidniederschlägen in hochfesten Stählen, das zeigt, dass die konventionelle Unterscheidung zwischen unterem Bainit und angelassenem Martensit anhand der Karbidorientierung nicht zuverlässig ist.
Dieses Papier stellt eine nahezu kostenfreie Methode zur Unsicherheitsquantifizierung in der stochastischen Online-Optimierung vor, die durch parallele Mehrfachläufe und t-basierte Konfidenzintervalle eine effiziente Berechnung mit rigorosen theoretischen Garantien für hohe Konfidenzniveaus ermöglicht.
Diese Arbeit stellt Methoden der linearen Algebra vor, um Schichten von neuronalen Netzen als Abbildungen zwischen Signalräumen zu modellieren, wodurch sowohl die Visualisierung von Gewichten und Kernen als auch die Berechnung von Eingabebildern für spezifische Ausgaben in invertierbaren Netzen und ResNet18 ermöglicht wird.
Diese Arbeit führt das Konzept urbaner Basismodelle (UFMs) ein, stellt eine datenzentrierte Taxonomie und einen zukunftsweisenden Rahmen vor, um die Herausforderungen bei der Entwicklung von Urban General Intelligence zu adressieren, und fasst bestehende Benchmarks, Datensätze sowie Anwendungsmöglichkeiten zusammen.
Diese Arbeit stellt einen Schätzer vor, der auf einer nicht-konvexen Optimierung basiert und mittels der Algorithmen ALS und ORALS sowohl die Netzwerkstruktur als auch den Interaktionskern in multi-agenten Systemen aus Trajektoriendaten gemeinsam inferiert, wobei theoretische Garantien für die Identifizierbarkeit und die asymptotische Konsistenz des ORALS-Schätzers nachgewiesen werden.
Dieses Paper stellt einen neuen Multi-Armed-Bandit-Ansatz mit der Option zur Enthaltung vor und entwickelt effiziente Algorithmen, die sowohl asymptotisch als auch minimax-optimal sind und die theoretischen unteren Schranken für das Regret erreichen.
Die Studie stellt mit PoseBench den ersten umfassenden Benchmark für das protein-Liganden-Docking vor, der zeigt, dass zwar Deep-Learning-Co-Folding-Methoden konventionelle Ansätze übertreffen, aktuelle Modelle jedoch bei der Vorhersage neuer Bindungsmodi, der Abhängigkeit von Eingabe-Multiple-Sequenz-Alignments und dem Ausgleich zwischen struktureller Genauigkeit und chemischer Spezifität weiterhin Herausforderungen bestehen.
Dieses Paper vertieft die Analyse der TracIn-Methode als einfache, aber effektive Approximation für Hessian-freie Einflussfunktionen, erweitert deren Anwendungsbereiche um Fairness und Robustheit und verbessert sie durch eine Ensemble-Strategie, was durch umfangreiche Experimente zur Erkennung verrauschter Labels, zur Datenselektion für LLMs und zur Abwehr adversarialer Angriffe validiert wird.