🤖 Category

cs.LG

2252 Arbeiten

Do Spatial Descriptors Improve Multi-DoF Finger Movement Decoding from HD sEMG?

Die Studie zeigt, dass der neuartige MLD-BFM-Ansatz zur räumlichen Merkmalsextraktion zwar die höchste Genauigkeit bei der Dekodierung von fünf Fingerbewegungen aus HD-sEMG-Signalen erreicht, jedoch keine statistisch signifikante Verbesserung gegenüber herkömmlichen zeitbasierten Merkmalen bietet, was darauf hindeutet, dass die räumliche Auflösung der HD-sEMG-Aufzeichnung für eine präzise Mehrfreiheitsgrad-Regression entscheidender ist als die Verwendung komplexer räumlicher Deskriptoren.

Ricardo Gonçalves Molinari, Leonardo Abdala EliasWed, 11 Ma🤖 cs.LG

EMFusion: Conditional Diffusion Framework for Trustworthy Frequency Selective EMF Forecasting in Wireless Networks

Die Arbeit stellt EMFusion vor, ein bedingtes diffusionsbasiertes Framework zur probabilistischen Vorhersage frequenzselektiver elektromagnetischer Felder in drahtlosen Netzen, das durch die Integration kontextueller Faktoren und einer Imputations-basierten Stichprobenstrategie sowohl präzise multivariate Prognosen als auch verlässliche Unsicherheitsquantifizierung ermöglicht.

Zijiang Yan, Yixiang Huang, Jianhua Pei, Hina Tabassum, Luca ChiaraviglioWed, 11 Ma🤖 cs.AI

Enhancing Reconstruction Capability of Wavelet Transform Amorphous Radial Distribution Function via Machine Learning Assisted Parameter Tuning

Diese Studie stellt das verbesserte WT-RDF+-Framework vor, das durch maschinelles Lernen optimierte Parameter nutzt, um die Amplitudengenauigkeit der Wellenpaket-Transformierten Radialverteilungsfunktion für die Rekonstruktion der atomaren Struktur von amorphen Ge-Se- und Ag-Ge-Se-Materialien signifikant zu steigern und dabei konventionelle ML-Modelle zu übertreffen.

Deriyan Senjaya, Stephen Ekaputra LimantoroWed, 11 Ma🔬 cond-mat.mtrl-sci

An AI-powered Bayesian Generative Modeling Approach for Arbitrary Conditional Inference

Die vorgestellte Arbeit führt das Bayesian Generative Modeling (BGM) ein, ein einheitliches Framework, das mithilfe eines stochastischen iterativen Bayesianischen Update-Algorithmus ein generatives Modell lernt, um beliebige bedingte Inferenzen mit prinzipieller Unsicherheitsquantifizierung durchzuführen, ohne dass ein erneutes Training für unterschiedliche Konditionierungsstrukturen erforderlich ist.

Qiao Liu, Wing Hung WongWed, 11 Ma🤖 cs.AI

Robust Assortment Optimization from Observational Data

Diese Arbeit stellt einen robusten Rahmen für die assortmentsbasierte Optimierung vor, der unter Unsicherheit durch Verteilungsverschiebungen im Kundenverhalten die worst-case-Erlöse maximiert und dabei durch die Einführung des Konzepts der „robusten artikelweisen Abdeckung" statistisch effiziente Algorithmen mit optimalen Stichprobenkomplexitätsgrenzen entwickelt.

Miao Lu, Yuxuan Han, Han Zhong, Zhengyuan Zhou, Jose BlanchetWed, 11 Ma🤖 cs.LG

Missing-by-Design: Certifiable Modality Deletion for Revocable Multimodal Sentiment Analysis

Die Arbeit stellt „Missing-by-Design" (MBD) vor, ein einheitliches Framework für multimodale Sentiment-Analyse, das durch strukturierte Repräsentationslernen und einen zertifizierbaren Parameter-Modifikationsprozess die selektive und nachweisbare Löschung spezifischer Datenmodalitäten ermöglicht, ohne die Vorhersagegenauigkeit bei unvollständigen Eingaben zu beeinträchtigen.

Rong Fu, Ziming Wang, Chunlei Meng, Jiaxuan Lu, Jiekai Wu, Kangan Qian, Hao Zhang, Simon FongWed, 11 Ma🤖 cs.LG

Continual uncertainty learning

Diese Studie stellt ein curriculumbasiertes, kontinuierliches Lernframework vor, das durch die schrittweise Zerlegung komplexer Unsicherheiten und die Kombination von modellbasierter Regelung mit Deep Reinforcement Learning robuste Steuerungen für nichtlineare mechanische Systeme ermöglicht und erfolgreich eine Sim-zu-Real-Übertragung für aktive Schwingungskontrolle in Fahrzeugantriebssträngen demonstriert.

Heisei Yonezawa, Ansei Yonezawa, Itsuro KajiwaraWed, 11 Ma🤖 cs.AI

Breaking the Factorization Barrier in Diffusion Language Models

Die Arbeit stellt Coupled Discrete Diffusion (CoDD) vor, einen hybriden Rahmen, der die „Faktorisierungsbarriere" in Diffusions-Sprachmodellen durch eine leichte probabilistische Inferenzschicht überwindet, um komplexe gemeinsame Abhängigkeiten effizient zu modellieren und dabei sowohl die Geschwindigkeit als auch die Kohärenz der Generierung erheblich verbessert.

Ian Li, Zilei Shao, Benjie Wang, Rose Yu, Guy Van den Broeck, Anji LiuWed, 11 Ma🤖 cs.AI

Detecting Transportation Mode Using Dense Smartphone GPS Trajectories and Transformer Models

Die Studie stellt SpeedTransformer vor, ein auf Transformer-Architekturen basierendes Modell, das mithilfe von Geschwindigkeitsdaten aus dichten Smartphone-GPS-Trajektorien Transportmittel erkennt und dabei traditionelle Deep-Learning-Modelle in Bezug auf Genauigkeit, Transferfähigkeit und Robustheit in realen Umgebungen übertrifft.

Yuandong Zhang, Othmane Echchabi, Tianshu Feng, Wenyi Zhang, Hsuai-Kai Liao, Charles ChangWed, 11 Ma🤖 cs.LG

Non-Rectangular Average-Reward Robust MDPs: Optimal Policies and Their Transient Values

Diese Arbeit untersucht nicht-rechteckige robuste Markov-Entscheidungsprozesse mit Durchschnittsbelohnung, zeigt, dass sublineare Regret-Policies robust-optimal sind und eine Minimax-Darstellung der robusten Werte ohne Rechteckigkeitsannahme ermöglichen, und entwickelt ein transientes Bewertungsframework sowie eine epochenbasierte Policy, die eine konstante transiente Leistung garantiert.

Shengbo Wang, Nian SiWed, 11 Ma🤖 cs.LG

FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing

Die Arbeit stellt FinTexTS vor, ein neues groß angelegtes Datenset für Finanzzeitreihen, das durch einen semantikbasierten und mehrstufigen Paarungsansatz mit LLMs erstellt wurde, um komplexe Marktinterdependenzen besser zu erfassen und die Vorhersagegenauigkeit von Aktienkursen zu verbessern.

Jaehoon Lee, Suhwan Park, Tae Yoon Lim, Seunghan Lee, Jun Seo, Dongwan Kang, Hwanil Choi, Minjae Kim, Sungdong Yoo, SoonYoung Lee, Yongjae Lee, Wonbin AhnWed, 11 Ma🤖 cs.AI

Unveiling the Potential of Quantization with MXFP4: Strategies for Quantization Error Reduction

Die Studie stellt zwei rein softwarebasierte Techniken, Overflow-Aware Scaling (OAS) und Macro Block Scaling (MBS), vor, die die Genauigkeit des MXFP4-Formats für Large Language Models signifikant verbessern und die Leistungslücke zu NVFP4 von durchschnittlich 10 % auf unter 1 % verringern, ohne Hardwareänderungen vorzunehmen.

Jatin Chhugani, Geonhwa Jeong, Bor-Yiing Su, Yunjie Pan, Hanmei Yang, Aayush Ankit, Jiecao Yu, Summer Deng, Yunqing Chen, Nadathur Satish, Changkyu KimWed, 11 Ma🤖 cs.AI