3813 Arbeiten
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.
Die Studie stellt drei Deep-Learning-basierte Metamodellierungsrahmen vor, die durch die Kombination von Merkmalsextraktionsmodulen (MLP, MPNN oder Autoencoder) mit LSTM-Netzen und Monte-Carlo-Dropout erfolgreich nichtlineare, stochastische dynamische Systeme unter simultaner Berücksichtigung von Parameter- und Vorhersageunsicherheiten modellieren und dabei sowohl für einfache als auch komplexe Bauwerksmodelle präzise Ergebnisse mit zuverlässigen Unsicherheitsquantifizierungen liefern.
Das Paper stellt Flowcean vor, ein modulares und benutzerfreundliches Framework, das die datengetriebene Automatisierung der Modellierung komplexer cyber-physischer Systeme durch die Integration verschiedener Lernstrategien und Werkzeuge ermöglicht.
Diese Arbeit stellt einen effizienten Riemannschen Optimierungsansatz für generative Modelle vor, der unitäre Matrix Product States nutzt, um die Ambiguität bei Parameterupdates zu reduzieren und eine stabile, leistungsfähige Modellierung hochdimensionaler Wahrscheinlichkeitsverteilungen zu ermöglichen.
Die Studie stellt AGMARL-DKS vor, einen adaptiven, graphenbasierten Multi-Agenten-Verstärkungslern-Scheduler für Kubernetes, der durch dezentrale Ausführung, globale Kontextmodellierung mittels Graph Neural Networks und stressbewusste lexikografische Priorisierung die Skalierbarkeit, Fehlertoleranz und Ressourcennutzung im Vergleich zu herkömmlichen Ansätzen signifikant verbessert.
Diese Arbeit zeigt, dass Prior-Data-Fitted-Networks (PFNs) für kausale Inferenz ohne Korrektur zu einer durch den Prior verursachten Verzerrung führen, und schlägt eine Kalibrierung mittels einer einstufigen Posterior-Korrektur (OSPC) auf Basis von Martingal-Posterior-Verteilungen vor, um die frequentistische Konsistenz und eine korrekte Unsicherheitsquantifizierung für den durchschnittlichen Behandlungseffekt (ATE) wiederherzustellen.
Die Arbeit stellt Slow-Fast Inference vor, ein trainingsfreies Decodierungsframework, das durch die Ausnutzung der Stabilität von Aufmerksamkeitsmustern innerhalb semantisch kohärenter Spannungen die Inferenzgeschwindigkeit um das 1,6- bis 14,4-fache steigert, ohne dabei die Qualität zu beeinträchtigen.
Die Arbeit stellt SeGP-CL vor, eine exemplarfreie Methode zum kontinuierlichen Lernen von Vision-Language-Modellen, die durch die Erhaltung der semantisch-geometrischen Struktur mittels adversarischer Anker und geometrischer Distillation katastrophales Vergessen verhindert und gleichzeitig die Stabilität sowie den Vorwärts-Transfer verbessert.
Die Arbeit beweist mathematisch und durch numerische Experimente, dass chemische Reaktionsnetzwerke ohne versteckte Schichten bestimmte Klassifizierungsaufgaben effizienter und genauer lösen können als Spiking-Neuronale-Netzwerke, die dafür versteckte Schichten benötigen.
Die Studie stellt ein auf Temporal Convolutional Networks basierendes Multi-Label-Deep-Learning-Framework vor, das die Vorhersage von Transkriptionsfaktor-Bindungsstellen verbessert, indem es kooperative Mechanismen und Korrelationen zwischen verschiedenen Transkriptionsfaktoren erfasst.
Die Arbeit stellt QAvatar vor, einen hybriden Kritiker, der durch die Einführung der Bellman-Konsistenz über Domänen hinweg die Daten-effizienz im Cross-Domain-Reinforcement-Learning verbessert, indem er Quell- und Ziel-Q-Funktionen adaptiv kombiniert, um negative Übertragungseffekte zu vermeiden und eine zuverlässige Wissensübertragung in verschiedenen Robotik-Aufgaben zu gewährleisten.
Die Autoren stellen eine ressourceneffiziente, iterative Neural-Architecture-Search-Methode vor, die große Sprachmodelle mit einem speicherbasierten Feedback-Mechanismus kombiniert, um auf einer einzelnen Consumer-GPU ohne Feinabstimmung der Modelle kompakte und leistungsfähige Bildklassifizierungsarchitekturen zu entwerfen.
Diese Arbeit stellt einen neuen Ansatz für das Batch-Bayes'sche Optimal-Experiment-Design vor, der das Optimierungsproblem durch eine probabilistische Hebung in den Raum der Wahrscheinlichkeitsmaße transformiert und unter Verwendung von Wasserstein-Gradientenflüssen skalierbare, partikelbasierte Algorithmen entwickelt, um hochdimensionale und nicht-konvexe Nutzenfunktionen effizient zu optimieren.