4042 Arbeiten
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.
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.