3672 Arbeiten
Die Studie stellt WaveLSFormer vor, einen lernbaren waveletbasierten Transformer, der durch eine end-zu-end-Optimierung von Multi-Skalen-Zerlegungen und risikoadjustierten Handelszielen eine überlegene Profitabilität und Risikosteuerung im Long-Short-Aktienhandel im Vergleich zu herkömmlichen Modellen erreicht.
Diese Arbeit stellt eine leichte Text-only-Anpassungsmethode für LLM-basierte Spracherkennung vor, die das Problem als Textentrauschung formuliert, um die Domänenanpassung zu ermöglichen, ohne die kritische Ausrichtung zwischen Sprach- und Textmodalität zu stören.
Die Arbeit stellt WideSeek-R1 vor, ein durch Multi-Agenten-Reinforcement-Learning trainiertes Framework, das durch parallele Breite statt tiefer einzelner Agenten effiziente Informationsbeschaffung ermöglicht und dabei mit einem 4B-Modell die Leistung eines 671B-Einzelagenten erreicht.
Diese Arbeit stellt eine effiziente, auf Kernel-Ridge-Regression basierende Methode zur Bestimmung optimaler Messoperatoren für Quanten-Reservoir-Computer vor, die sowohl zustandslose als auch zustandsbehaftete Modelle durch eine exakte Hilbert-Schmidt-Kerndarstellung trainiert und damit die Vorhersagegenauigkeit bei Bildklassifizierung und Zeitreihenvorhersage verbessert.
Diese Arbeit erweitert das Prometheus-Framework für die unüberwachte Entdeckung von Phasenübergängen auf dreidimensionale klassische und Quantensysteme, wobei sie kritische Parameter mit hoher Genauigkeit bestimmt und sogar exotische kritische Verhaltensweisen wie die unendliche Zufälligkeit in ungeordneten Quantensystemen identifiziert.
Das Paper stellt RAT+ vor, ein effizientes Transformer-Modell, das durch eine Kombination aus dichtem Vortraining und rekurrenter Augmentierung eine flexible, spärliche Inferenz mit Dilatation ermöglicht, ohne dabei die Genauigkeit signifikant zu beeinträchtigen.
Diese Studie zeigt, dass selbstüberwachte Sprachmodelle über 96 Sprachen hinweg phonologische Merkmale in kompositionellen Vektoren kodieren, die eine lineare Vektorarithmetik ermöglichen, bei der das Hinzufügen oder Skalieren von Vektoren kontinuierliche phonologische Übergänge erzeugt.
Das Paper stellt MSFlow vor, ein zweistufiges generatives Flow-Matching-Modell, das Massenspektren mit einer bis zu 14-mal höheren Genauigkeit als bisherige Methoden in molekulare Strukturen übersetzt und dabei 45 % der Spektren korrekt identifiziert.
Die Arbeit stellt CalibRL vor, einen hybriden RLVR-Rahmen für multimodale Sprachmodelle, der durch distributionsbewusste Vorteilsgewichtung und eine asymmetrische Aktivierungsfunktion eine kontrollierte Exploration mit Expertenwissen ermöglicht, um Entropie-Kollaps zu verhindern und die Stabilität zwischen Exploration und Exploitation zu verbessern.
Das Paper stellt ECHOSAT vor, eine globale, zeitlich konsistente 10-m-Resolutions-Karte der Baumkronenhöhe, die mithilfe eines spezialisierten Vision-Transformers und selbstüberwachter Verlustfunktionen entwickelt wurde, um dynamische Waldveränderungen wie Wachstum und Störungen für präzisere Kohlenstoffbilanzierungen zu erfassen.
Diese Studie nutzt das Prometheus-Framework, einen quantenbewussten Variational Autoencoder, der auf reduzierte Dichtematrizen angewendet wird, um im frustrierten --Heisenberg-Modell auf dem quadratischen Gitter einen unüberwachten Übergang zwischen Néel- und Streifenordnungen zu identifizieren und damit einen skalierbaren Weg für die Entdeckung von Phasen in komplexen Quantensystemen zu ebnen.
Die Studie zeigt, dass die Integration multimodaler epigenomischer Signale durch das neuartige Prism-Framework, das Verwirrungseffekte mittels Backdoor-Adjustment reduziert, für die Vorhersage der Genexpression effektiver ist als die bloße Verlängerung der DNA-Sequenzlänge.
Die Studie zeigt, dass feinabgestimmte kleine Sprachmodelle (SLMs) eine effiziente und genaue Lösung für die Echtzeit-Rollenklassifizierung in der Mensch-Roboter-Interaktion darstellen, wobei jedoch eine Leistungsverschlechterung bei One-Shot-Modi aufgrund von Kontextlängenbeschränkungen festgestellt wurde.
Die Arbeit stellt FlashOptim vor, eine Suite von Optimierungen, die den Speicherverbrauch beim Training von neuronalen Netzen durch verbesserte Master-Weight-Aufteilung und komprimierte 8-Bit-Optimierer-Zustände um mehr als 50 % senkt, ohne dabei die Modellqualität oder API-Kompatibilität zu beeinträchtigen.
Die Arbeit stellt Geodesic Semantic Search (GSS) vor, ein System, das durch das Erlernen lokaler Riemannscher Metriken auf Zitationsgraphen geometrieaware semantische Suchen ermöglicht und dabei im Vergleich zu herkömmlichen euklidischen Baselines signifikant bessere Recall-Werte bei interpretierbaren Zitationspfaden und reduzierten Rechenkosten erzielt.
Die Studie widerlegt die Annahme, dass Präferenzlabels nur semantische Aufsicht bieten, indem sie zeigt, dass voreingenommene Bewertermodelle in LLM-as-a-Judge-Frameworks subliminale Verhaltensmerkmale über iterative Abstimmungsrunden hinweg an neutrale Modelle übertragen können, was neue Mechanismen zur Erkennung und Eindämmung dieser versteckten Kommunikation für eine robuste KI-Überwachung erfordert.
Die Studie zeigt, dass LLM-basierte Agenten in Byzantinischen Konsensspielen selbst unter idealen Bedingungen keine zuverlässige Einigung erzielen und ihre Leistung mit zunehmender Gruppengröße sowie durch das Vorhandensein fehlerhafter Agenten weiter abnimmt, was die Zuverlässigkeit ihrer koordinierten Zusammenarbeit in Frage stellt.
Die Studie zeigt, dass strukturiertes Reasoning die Ausrichtung von Large Language Models auf politische Meinungen verbessert und mit starken Baselines konkurrieren kann, jedoch allein nicht ausreicht, um Verzerrungen vollständig zu eliminieren, weshalb zusätzliche Mechanismen für verlässliche politische digitale Zwillinge erforderlich sind.
Die Studie stellt eine neue Methode für parallele Bayes'sche Optimierung namens „Randomized Kriging Believer" vor, die eine einfache Implementierung und geringe Rechenkomplexität mit theoretischen Regret-Garantien verbindet und sich in Experimenten als effektiv erweist.
Diese Arbeit vergleicht zwei Algorithmen zur Ausreißererkennung in Stringdaten, nämlich eine an die Levenshtein-Distanz angepasste Variante des Local Outlier Factor und einen neuen auf hierarchischen regulären Ausdrücken basierenden Ansatz, und zeigt deren jeweilige Stärken in Abhängigkeit von der Struktur der Daten und der Editierdistanz auf.