3821 Arbeiten
Diese Arbeit stellt zwei effiziente Approximationsmethoden für die BAIT-Strategie im Deep Active Learning vor, die durch eine Reduzierung der Fisher-Information auf die wahrscheinlichsten Klassen und die Umformulierung als binäre Klassifikation die Skalierbarkeit auf große Datensätze wie ImageNet ermöglichen, ohne dabei die Leistungsfähigkeit zu beeinträchtigen.
Diese Studie nutzt erklärbare maschinelle Lernverfahren auf einem 28-jährigen Datensatz, um die Toxizität von Muscheln im Golf von Triest durch schädliche Algenblüten vorherzusagen und identifiziert dabei spezifische Dinophysis-Arten sowie Umweltfaktoren als entscheidende Prädiktoren für Durchfallauslösende Muschelvergiftungen (DSP).
Diese Arbeit formuliert kontinuierliche Optimal-Stopp-Probleme aus Reinforcement-Learning-Perspektive als regularisierte singuläre stochastische Steuerung mit endlichem Brennstoff, leitet daraus eine eindeutige optimale explorative Strategie her und entwickelt sowohl modellbasierte als auch skalierbare modellfreie Actor-Critic-Algorithmen zur Lösung dieser Probleme.
Die vorgestellte Arbeit führt den Mamba Neural Operator (MNO) ein, ein neuartiges Framework, das strukturierte State-Space-Modelle mit neuronalen Operatoren verbindet und sich als überlegene Alternative zu Transformern für die effiziente und präzise Lösung von partiellen Differentialgleichungen erweist.
Die Studie stellt mit EarthquakeNPP ein neues Benchmark-System für die Erdbebenprognose vor, das aufbereiteten Daten und etablierte seismologische Modelle wie ETAS nutzt, und zeigt, dass die getesteten neuronalen Punktprozesse (NPPs) die Leistung des klassischen ETAS-Modells in aktuellen Anwendungen noch nicht übertreffen.
Die Studie zeigt, dass Diffusionsmodelle bei knappen Daten nicht abrupt, sondern durch einen allmählichen geometrischen Zusammenbruch ihrer latenten Dimensionalität memorieren, bei dem zunächst markante Merkmale und dann feinere Details eingefroren werden, was zu einer Phase zwischen Generalisierung und exakter Kopie führt.
Die Studie stellt 3D-PIUNet vor, eine hybride Methode zur EEG-Quellenlokalisation, die physikalische Inverslösungen zur Initialisierung mit einem 3D-Convolutional-U-Net kombiniert, um die räumliche Genauigkeit der Gehirnquellen-Rekonstruktion sowohl bei simulierten als auch bei realen Daten signifikant zu verbessern.
Diese Studie stellt ein neuartiges Framework für das kontinuierliche Lernen vor, das durch die Einführung von task-spezifischer Batch-Normalisierung und eine Vorhersage der Task-ID mittels Out-of-Distribution-Detektion das katastrophale Vergessen in der klassenbasierten inkrementellen Lernumgebung effektiv reduziert.
Die Arbeit stellt CLIQUE vor, eine neue modellunabhängige Methode zur Berechnung der lokalen Variablenwichtigkeit, die im Gegensatz zu etablierten Verfahren wie LIME und SHAP lokale Abhängigkeiten und Interaktionen erfasst, insbesondere bei Mehrklassen-Klassifikationsproblemen, und Verzerrungen in Bereichen reduziert, in denen Variablen keinen Einfluss auf die Antwort haben.
Diese Arbeit stellt ein neuartiges, einlagiges Quantenneurales Netzwerk vor, das mittels einer algebraischen SRBB-basierten Methode beliebige unitäre Evolutionen approximiert und dabei die Anzahl der benötigten CNOT-Gatter exponentiell reduziert, was durch Simulationen bis zu 6 Qubits und Tests auf echter Hardware bestätigt wird.
Diese Arbeit stellt ein neues statistisches Modell für Paarvergleiche vor, das auf einer schief-symmetrischen Matrix basiert und die einschränkende Annahme der stochastischen Transitivität aufgibt, um in realen Szenarien mit komplexen Fähigkeiten oder Strategien eine überlegene Vorhersagegenauigkeit und theoretische Optimalität zu erreichen.
Die Arbeit stellt PoLAr-MAE vor, einen selbstüberwachten Lernansatz auf Basis von Masked Point Modeling, der physikalisch aussagekräftige Repräsentationen für LArTPC-Daten lernt und durch feine Abstimmung mit nur 100 gelabelten Ereignissen die Leistung von überwachten Baselines erreicht, die über 100.000 Ereignisse benötigen.
Diese Studie nutzt Graph-Machine-Learning-Techniken, um Flugverspätungen durch Warteschleifen vorherzusagen, wobei ein CatBoost-Modell, das durch Graph-Features angereichert ist, im Vergleich zu Graph Attention Networks (GATs) bessere Ergebnisse auf einer unausgeglichenen Datensatz liefert und die Grundlage für ein webbasiertes Echtzeit-Vorhersagewerkzeug bildet.
Diese Arbeit stellt einen optimistischen Algorithmus für online kontextuelle Banditen mit KL-Regularisierung vor, der durch die Ausnutzung einer günstigen Optimierungslandschaft logarithmische Regret-Schranken erreicht, und erweitert diese Analyse auf das allgemeine Reinforcement-Learning-Setting.
Die vorgestellte Arbeit führt mit DIFU-Ada ein trainingsfreies Adaptionsframework ein, das diffusionsbasierte neuronale Kombinatorische-Optimierungslöser befähigt, durch Inference-Time-Anpassung eine Zero-Shot-Verallgemeinerung auf verschiedene Problemvarianten und -skalen zu erreichen, ohne zusätzliche Trainingsdaten zu benötigen.
Die Arbeit beweist, dass CLIP aufgrund fundamentaler geometrischer Einschränkungen nicht gleichzeitig grundlegende Bildinhalte, Attributbindung, räumliche Beziehungen und Verneinung korrekt darstellen kann, und schlägt darauf aufbauend die Methode „Dense Cosine Similarity Maps" (DCSM) vor, um diese Limitierungen zu überwinden und die Leistung CLIP-ähnlicher Modelle zu verbessern.
Die Studie zeigt, dass aktuelle Deep-Learning-Sprachentstörungssysteme durch psychoakustisch getarnte adversariale Störgeräusche so manipuliert werden können, dass sie unverständlichen Unsinn erzeugen, obwohl die Störungen für Menschen kaum wahrnehmbar sind, was die Notwendigkeit von Gegenmaßnahmen für den Einsatz in sicherheitskritischen Anwendungen unterstreicht.
Dieses Papier stellt einen kontextuellen Multi-Armed-Bandit-Algorithmus vor, der es Windkraftproduzenten ermöglicht, ihre Gebote in Strommärkten strategisch zu optimieren und dabei ihre Marktmacht als Preissetzer zu nutzen, ohne auf komplexe Bilevel-Optimierungsmodelle angewiesen zu sein.
Die Studie stellt einen Algorithmus vor, der die Support-Vector-Classification in nicht-euklidischen Räumen durch die Integration der Datenkovarianz mittels Cholesky-Zerlegung in das Optimierungsproblem verbessert und damit die Suboptimalität herkömmlicher KKT-Bedingungen sowie eine signifikant höhere Klassifikationsleistung im Vergleich zu traditionellen SVM-Ansätzen nachweist.
Diese Arbeit stellt eine neue Few-Shot-Bildfusion vor, die auf dem Konzept unvollständiger Priors und dem Granular-Ball-Pixel-Computing-Algorithmus (GBPC) basiert, um eine adaptive, generalisierbare und dateneffiziente Lernmethode zu ermöglichen, die auch mit wenigen Trainingspaaren überlegene Ergebnisse liefert.