3799 Arbeiten
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.
Das Papier stellt FlexRec vor, ein Framework zur Nachschulung von LLM-basierten Empfehlungssystemen mittels verstärkendem Lernen, das durch kausal fundierte, item-level Belohnungen und eine unsicherheitsbewusste Skalierung des Kritikers die Herausforderungen von grober Kreditvergabe und spärlichen Feedbacks adressiert, um eine flexible Anpassung an dynamische Nutzerbedürfnisse zu ermöglichen und dabei signifikante Verbesserungen bei den Ranking-Metriken zu erzielen.
Diese Arbeit stellt einen theoretisch fundierten Ansatz zur Schätzung individueller Behandlungseffekte bei komplexen, multiplen Interventionen vor, der durch eine neuartige Generalisierungsschranke und die skalierbare Behandlungsaggregation die Herausforderungen der Hyperparameterauswahl und der Dimensionsflucht löst.
Die Arbeit stellt EnTransformer vor, ein tiefes generatives Transformer-Modell, das durch die Kombination von „engression" und energiebasierter Optimierung präzise, parametrische Annahmen vermeidende multivariate probabilistische Vorhersagen mit gut kalibrierten Unsicherheitsquantifizierungen ermöglicht.
Die Arbeit stellt Chem4DLLM vor, ein multimodales Large Language Model, das zusammen mit dem neuen Datensatz Chem4DBench und der Aufgabe ChemDU entwickelt wurde, um statische Molekülrepräsentationen zu überwinden und chemische Dynamikprozesse wie Bindungsbrüche durch die Analyse von 4D-Trajektorien in interpretierbare natürliche Sprache zu übersetzen.
Die Studie stellt MobileKernelBench vor, ein Benchmark-Framework zur Bewertung der Fähigkeit von LLMs, effiziente Kernel für mobile Geräte zu generieren, und zeigt, dass das neu entwickelte Multi-Agenten-System MoKA die bisherigen Grenzen durch eine signifikant höhere Kompilierungserfolgsrate und messbare Geschwindigkeitssteigerungen überwindet.
Das Paper stellt ProtoSR vor, ein neuartiges Verfahren, das durch den Abbau von unstrukturierten Freitext-Berichten in visuelle Prototypen und deren gezielte Integration in die Modellvorhersage, die Genauigkeit bei der Generierung feinabgestimmter, strukturierter Radiologieberichte signifikant verbessert.
Diese Studie nutzt exhaustives Circuit-Mapping am Einzelzell-Modell Geneformer, um massive Redundanz, eine schwer-tailige Hub-Architektur und eine kausale, schichtabhängige Steuerung der Zelldifferenzierung nachzuweisen, wodurch systematische Verzerrungen früherer selektiver Analysen aufgedeckt werden.
Die Arbeit stellt Mixed Synthetic Nearest Neighbors (MSNN) vor, einen neuen Schätzer für die kausale Matrixvollendung unter mehreren Behandlungen, der durch die Integration von Informationen über verschiedene Behandlungslevel hinweg die Effizienz von Synthetic Nearest Neighbors (SNN) auch bei datenarmen Szenarien verbessert, ohne dabei dessen theoretische Garantien zu beeinträchtigen.
Die Arbeit stellt Effective Resistance Rewiring (ERR) vor, eine parametrisfreie Topologie-Korrekturmethode, die globale Widerstandssignale nutzt, um strukturelle Engpässe in Graph Neural Networks zu identifizieren und durch gezieltes Hinzufügen sowie Entfernen von Kanten das Over-Squashing zu mildern, wobei die Kombination mit Normalisierungstechniken wie PairNorm den Trade-off zwischen verbesserter Signalpropagation und Oversmoothing effektiv ausbalanciert.
Die vorgestellte Arbeit schlägt vor, Voronoi-Zerlegungen in probabilistische Schaltkreise zu integrieren, um die lokale Geometrie der Daten zu erfassen, und bietet sowohl einen approximativen Inferenzrahmen mit garantierter Fehlerschranke als auch strukturelle Bedingungen für exakte Inferenz und differenzierbares Lernen.
Die Arbeit stellt SLIP vor, ein Open-Source-Framework für das vortrainierte Lernen sprachbasieter Sensorrepräsentationen, das durch kontrastives Alignment und sensorbedingte Bildunterschriften eine überlegene semantische Generalisierung und flexible Anpassung an verschiedene Sensor-Konfigurationen ermöglicht.
Die Arbeit stellt die Lokale Adjazenz-Spektraleinbettung (LASE) vor, eine Methode, die durch gewichtete spektrale Zerlegung lokale, niedrigdimensionale Strukturen in Netzwerken aufdeckt und damit die Einschränkungen globaler Einbettungen überwindet, um sowohl die lokale Rekonstruktion als auch die globale Visualisierung zu verbessern.
Die Arbeit formalisiert die Stabilität von Repräsentationslernmodellen als statistische und strukturelle Identifizierbarkeit, beweist deren -nahe Identifizierbarkeit für eine breite Klasse von Modellen und zeigt, dass eine nachgeschaltete Independent Component Analysis (ICA) diese Repräsentationen effektiv entwirrt, um sowohl synthetische als auch biologische Anwendungen zu verbessern.
Diese Arbeit erweitert das klassische Chen-Chen-Approximationstheorem für Deep Operator Networks auf beliebige lokal konvexe Räume, indem sie topologische DeepONets einführt, die nichtlineare Operatoren zwischen solchen Räumen und Funktionenräumen über kompakten euklidischen Domänen uniform approximieren können.
Diese Arbeit entwickelt eine neue Stabilitätsanalyse für multipass Preconditioned SGD, die zeigt, wie die Wechselwirkung zwischen der Krümmung des Populationsrisikos und der Gradientenrauschen-Geometrie die Generalisierungsfähigkeit über die effektive Dimension bestimmt, und liefert dazu sowohl obere Schranken als auch passende untere Schranken.
Die Arbeit stellt BTZSC vor, ein umfassendes Benchmark für das Zero-Shot-Textklassifizieren, das zeigt, dass moderne Reranker wie Qwen3-Reranker-8B den aktuellen State-of-the-Art erreichen, während starke Embedding-Modelle und Instruktion-tuned LLMs ebenfalls wettbewerbsfähige Ergebnisse liefern und die Grenzen früherer NLI-basierter Ansätze überwinden.
Die Arbeit stellt FedFew vor, einen personalisierten Federated-Learning-Ansatz, der das Problem der Skalierbarkeit bei heterogenen Client-Daten durch die Optimierung weniger gemeinsamer Servermodelle löst und dabei automatisch eine optimale Modellvielfalt ohne manuelle Partitionierung oder Hyperparameter-Tuning erreicht.
Diese Arbeit stellt eine dezentrale Orchestrierungsarchitektur für Fluid Computing vor, die durch die Nutzung domänenspezifischer Fähigkeiten und eines SDN-basierten Anomalieerkennungsmechanismus (FU-HST) eine sichere, mehrdomänige Verteilung von Federated Learning unter Byzantinischen Bedrohungen ermöglicht.