3797 Arbeiten
Die Arbeit stellt einen neuromodulierten, eingeschränkten Autoencoder (NcAE) vor, der durch adaptive Anpassung geometrischer Constraints basierend auf statischen Kontextinformationen eine kontextabhängige Mannigfaltigkeitslernen ermöglicht und so globale Parameter von lokalen Darstellungen entkoppelt.
Die Arbeit zeigt, dass viele Policy-Gradient-Algorithmen die Entropie und damit die Vielfalt der Exploration während des Trainings ungewollt reduzieren, und schlägt daher neue Methoden wie REPO und ADAPO vor, um die Entropie aktiv zu steuern und so leistungsfähigere sowie besser anpassungsfähige Modelle zu erreichen.
Die Autoren stellen ein neuartiges kausales Prosodie-Mediations-Framework für das Text-zu-Sprache-System vor, das die FastSpeech2-Architektur durch explizite Emotionskonditionierung und kontrafaktische Trainingsziele erweitert, um emotionale Prosodie von linguistischem Inhalt zu entkoppeln und so eine präzisere Kontrolle über Dauer, Tonhöhe und Energie bei gleichzeitiger Verbesserung von Natürlichkeit und Emotionsdarstellung zu ermöglichen.
Diese Arbeit führt mit Blatt- und Struktur-Reue zwei komplementäre Maße ein, um die beobachtete Mehrdeutigkeit bei Entscheidungsbäumen zu zerlegen, wobei sie zeigt, dass die Instabilität der Baumstruktur der Haupttreiber dieser Variabilität ist und diese Maße zur Verbesserung der Modellsicherheit durch selektive Vorhersage genutzt werden können.
Die Arbeit stellt EvoFlows vor, einen evolutionären, edit-basierten Flow-Matching-Ansatz für das Protein-Engineering, der im Vergleich zu herkömmlichen Modellen nicht nur Mutationen vorhersagt, sondern auch deren Positionen steuert und dabei natürliche Mutationspfade zwischen verwandten Proteinsequenzen modelliert.
Das Paper stellt CRAN-PM vor, ein spezialisiertes Dual-Branch-Vision-Transformer-Modell, das durch den Einsatz von Cross-Resolution-Attention und physikalisch geleiteten Aufmerksamkeitsmechanismen effizient und präzise hochauflösende PM2,5-Vorhersagen für ganz Europa in Echtzeit ermöglicht.
Die Arbeit stellt CINDI vor, ein unüberwachtes probabilistisches Framework auf Basis bedingter normalisierender Flows, das Anomalieerkennung und Imputation in einem einzigen End-to-End-System vereint, um die Datenintegrität in verrauschten multivariaten Zeitreihen von Stromnetzen durch die Modellierung der exakten bedingten Wahrscheinlichkeitsverteilung wiederherzustellen.
Die Studie zeigt, dass post-hoc-Kalibrierungsmethoden, insbesondere Platt Scaling und Isotonic Regression, die prädiktive Multiplizität in Kreditrisikomodellen effektiv reduzieren und so die algorithmische Willkür, die Minderheiten unverhältnismäßig stark belastet, mindern können.
Die vorgestellte Arbeit adressiert die Grenzen herkömmlicher likelihood-basierter Anomalieerkennung in Zeitreihen, indem sie bedingte Normalisierungsflüsse mit induktiven Verzerrungen in einem latenten Raum kombiniert, um Anomalien als Verletzungen spezifizierter zeitlicher Dynamiken zu definieren und so eine statistisch fundierte, interpretierbare Detektion zu ermöglichen.
Diese Arbeit stellt einen auf dem Free-Prinzip basierenden Algorithmus für das soziale Bandit-Lernen vor, der es einem Agenten ermöglicht, die Expertise anderer nicht-expertischer und diverser Agenten ohne Kenntnis ihrer Belohnungen zu schätzen und zu nutzen, um so die individuelle Lernleistung zu verbessern und logarithmische Reue zu gewährleisten.
Diese Arbeit erweitert das Konzept des Informationssinns um ein sequenzielles Entscheidungsmodell unter Gedächtnisbeschränkungen, das das trial-and-error-Verhalten von Nutzern bei der Navigation durch vorschnelle Linkauswahl und Rückwärtsbewegungen erklärt.
Diese Arbeit zeigt, dass der Follow-the-Perturbed-Leader-Algorithmus mit Fréchet- und Pareto-Verteilungen sowie einer optimierten geometrischen Resampling-Methode für das -Set-Semi-Bandit-Problem sowohl im adversarischen als auch im stochastischen Setting optimale Regret-Garantien bei reduzierter rechnerischer Komplexität bietet.
Diese Arbeit untersucht das Phänomen des Modellkollapses durch eine lerntheoretische Analyse der Sprachgenerierung mit Replay, die zeigt, wie das Wiederaufnehmen maschinell generierter Inhalte in Trainingsdaten die Leistungsfähigkeit von Modellen unter bestimmten theoretischen Bedingungen fundamental einschränkt und dabei praktische Lösungsansätze wie Datenbereinigung sowohl bestätigt als auch ihre Grenzen aufzeigt.
Diese Arbeit stellt eine Methode vor, mit der ein embodied Agent durch unüberwachtes Interagieren mit der Umgebung die Struktur der Symmetriegruppe seines Aktionsraums autonom entdeckt, um damit Identifizierbarkeit zu beweisen und lineare, symmetriebasierte entkoppelte Darstellungen ohne restriktive Vorausetzungen zu erlernen.
Die Arbeit vereint die führenden Mitgliedschaftsinferenzangriffe LiRA, RMIA und BASE in einem gemeinsamen Exponentialfamilien-Rahmen, identifiziert die Varianzschätzung als Engpass und schlägt mit BaVarIA einen bayesschen Ansatz vor, der insbesondere bei begrenzten Ressourcen eine stabilere und leistungsfähigere Privatsphäre-Auditing ermöglicht.
Die Arbeit stellt OSMDA vor, ein selbstständiges Framework zur Domänenanpassung von Remote-Sensing-Vision-Language-Modellen, das OpenStreetMap-Daten nutzt, um ohne manuelle Annotationen oder externe Lehrermodelle hochwertige Trainingsdaten zu generieren und dabei state-of-the-art Ergebnisse zu erzielen.
Dieses Kapitel legt die Grundlagen für das Quaternionen-Machine-Learning, indem es erweiterte Statistik, weitgehend lineare Modelle, Quaternionen-Kalkül und die Mittelwertquadrat-Schätzung einführt, um die Anwendung von Quaternionen in der dreidimensionalen Modellierung und industriellen Praxis zu fördern.
Die Autoren stellen den Inverse Neural Operator (INO) vor, ein zweistufiges Framework, das mittels eines bedingten Fourier-Neural-Operators und eines amortisierten Drift-Modells versteckte ODE-Parameter aus spärlichen Beobachtungen effizient und stabil rekonstruiert und dabei die Genauigkeit sowie die Inferenzgeschwindigkeit im Vergleich zu herkömmlichen gradientenbasierten Methoden signifikant verbessert.
Die Autoren stellen ein robustes Framework für das WiFi-CSI-Sensing in Mehrstationsumgebungen vor, das durch die Kombination von cross-modalem selbstüberwachtem Lernen und stationsspezifischer Maskierungs-Augmentierung effektiv mit sowohl fehlenden Stationsdaten als auch einem Mangel an gelabelten Daten umgeht.
Diese Arbeit analysiert die Rolle der reversiblen Instanznormalisierung (RevIN) in der Zeitreihenvorhersage, identifiziert durch Ablationsstudien redundante oder schädliche Komponenten und leitet daraus neue Ansätze zur Verbesserung von Robustheit und Generalisierung ab.