3506 Arbeiten
Diese Arbeit stellt eine robuste Hauptkomponentenanalyse für hochdimensionale, schwerfällige Daten vor, die auf einem logarithmischen Verlust und einem superstatistischen Modell basiert, um die Hauptkomponenten auch bei fehlenden Momenten zuverlässig zu schätzen und dabei klassische PCA-Methoden in Bezug auf Rauschen und Ausreißer zu übertreffen.
Die Studie stellt MRI2Qmap vor, ein quantitatives Rekonstruktionsframework, das räumliche Struktur-Priors aus großen Mengen klinischer gewichteter MRT-Bilder nutzt, um hochbeschleunigte quantitative MRT-Daten (z. B. MRF) ohne Ground-Truth-Trainingsdaten für quantitative Bilder präzise zu rekonstruieren.
Diese Arbeit zeigt, dass Langevin-Dynamik selbst bei beliebig kleinen L²-Fehlern der geschätzten Score-Funktion in hohen Dimensionen innerhalb polynomieller Zeit nicht zur Zielverteilung konvergiert, was die Überlegenheit von Diffusionsmodellen unterstreicht und vor der Verwendung von Langevin-Dynamik mit geschätzten Scores warnt.
Die Arbeit stellt HAPO vor, eine Methode, die durch einen Thompson-Sampling-gesteuerten Mechanismus zur synthetischen Erfolgseinjizierung das Problem des Advantages-Collapses in sparse-Reward-Umgebungen löst und so eine asymptotische Konsistenz gewährleistet, bei der Lehrer-Demonstrationen als temporäres Gerüst dienen, das mit fortschreitender Verbesserung des Modells automatisch abklingt.
Die Arbeit stellt MR-Search vor, ein Meta-Reinforcement-Learning-Verfahren für Suchagenten, das durch die Generierung und Nutzung von Selbstreflexionen über mehrere Episoden hinweg eine verbesserte kontextbasierte Exploration und Generalisierung ermöglicht.
Diese Studie analysiert systematisch, wie numerische Schlechtbedingtheit durch starke Korrelationen in Kandidatenbibliotheken die datengestützte Identifikation biologischer Dynamiken erschwert, und zeigt, dass orthogonale Polynombasen nur dann die Modellgenauigkeit verbessern, wenn die Datenverteilung mit der entsprechenden Gewichtsfunktion übereinstimmt.
Die Studie zeigt, dass durch Prompt-Injection-Angriffe die Erfolgsrate von Jailbreaks bei großen Sprachmodellen von einer polynomialen auf eine exponentielle Skalierung übergeht, was durch ein theoretisches Spin-Glas-Modell erklärt wird, bei dem lange injizierte Prompts als starkes Magnetfeld wirken und einen geordneten Phasenübergang auslösen.
Diese Arbeit widerlegt die Möglichkeit einer effizienteren parallelen Berechnung von Multi-Head-Multi-Layer-Transformern im Vergleich zur unabhängigen Verarbeitung der einzelnen Aufmerksamkeitsköpfe und etabliert unter der Annahme SETH sowie durch Anwendung des Baur-Strassen-Theorems die Optimalität der bekannten Algorithmen für kleine und große Einbettungsdimensionen.
Die Arbeit stellt FinRule-Bench vor, einen Benchmark, der die Fähigkeit von großen Sprachmodellen zur Diagnose von Verstößen gegen Rechnungslegungsprinzipien in realen Finanztabellen bewertet und dabei zeigt, dass die Leistung bei komplexen Aufgaben wie der Identifizierung mehrerer gleichzeitiger Verstöße deutlich nachlässt.
Dieses Paper stellt Teleodynamisches Lernen als ein neues Paradigma vor, das maschinelles Lernen als die durch Ressourcen beschränkte Ko-Evolution von Struktur, Parametern und Anpassungsfähigkeit beschreibt und dabei in der Distinction Engine (DE11) eine interpretierbare, selbstorganisierende KI-Methodik mit konkurrenzfähiger Genauigkeit auf Standard-Benchmarks realisiert.
Diese Studie untersucht die Erkennung von Finanzbetrug in einem mehrsprachigen Bangla-Englisch-Kontext und zeigt, dass klassische maschinelle Lernmodelle mit TF-IDF-Features die Transformer-Architekturen in Bezug auf die Gesamtgenauigkeit übertreffen, obwohl Letztere eine höhere Recall-Rate für Betrugsfälle aufweisen.
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.