2290 Arbeiten
Die Arbeit stellt MAcPNN vor, ein dezentrales Lernparadigma für IoT-Datenströme, das auf Vygotskys soziokultureller Theorie basiert und autonome Geräte durch bedarfsgesteuerte gegenseitige Unterstützung sowie kontinuierliche progressive neuronale Netze (cPNN) befähigt, Konzeptdrifts zu bewältigen und Vergessen zu vermeiden, ohne einen zentralen Koordinator zu benötigen.
Diese Arbeit entwickelt einen axiomatischen Ansatz für datengetriebene, robuste Markov-Entscheidungsprozesse auf Borel-Räumen, der mittels empirischer Verteilungen und Ambiguitätsmengen, die auf Distanzfunktionen basieren, Konvergenzgarantien, Stichprobenkomplexitätsgrenzen und Wahrscheinlichkeitsaussagen für die Out-of-Sample-Leistung liefert, während sie gleichzeitig die mangelnde Robustheit rein empirischer MDPs aufzeigt.
Die Arbeit stellt MAPLE vor, ein neues Trainingsparadigma, das Test-Time Reinforcement Learning mit einem medizinischen Prozess-Reward-Modell kombiniert, um die Zuverlässigkeit medizinischer KI durch den Ersatz von Mehrheitsvoting durch expertenbasierte, schrittweise Belohnungen zu verbessern.
Dieses Buch interpretiert generative KI-Modelle, insbesondere Flow Matching, als statistische Werkzeuge zur nichtparametrischen Verteilungslernung und integriert sie durch Orthogonalisierung und Cross-Fitting in ein robustes Inferenzframework für Anwendungen wie kausale Analyse, Survival-Analyse und Imputation.
Die Arbeit stellt Normalized Flow Matching (NFM) vor, eine Methode, die die quasi-deterministischen Kopplungen von vortrainierten autoregressiven Normalizing-Flow-Modellen destilliert, um Student-Flow-Modelle zu trainieren, die sowohl ihre Lehrer als auch herkömmliche Flow-Matching-Ansätze mit unabhängigen oder optimalen Transport-Kopplungen übertreffen.
Diese Arbeit stellt einen exakten und architekturgetreuen Flachheitsmaßstab für CNNs vor, der durch eine geschlossene Formel für die Spur der Hesse-Matrix die Generalisierungsfähigkeit präziser schätzt als bisherige Methoden, die oft die spezifische Geometrie von Faltungsschichten vernachlässigen.
Die Arbeit stellt CALIPER vor, einen datenbasierten Test, der ohne Modell- oder Detektorabhängigkeit die für eine stabile Nachschulung nach Konzeptdrift ausreichende Datenmenge ermittelt, indem sie einen einstufigen Proxy-Fehler über eine gewichtete lokale Regression analysiert.
Das Paper stellt EPIC vor, ein verteiltes wissenschaftliches Lernframework, das durch hardware- und physikgesteuerte Kodierung und Dekodierung die Kommunikationskosten und Latenz bei der Full-Waveform-Inversion drastisch senkt, ohne dabei die physikalische Genauigkeit zu beeinträchtigen.
Das Paper stellt SCALAR vor, ein bidirektionales Framework, das die symbolische Planung von LLMs mit Deep RL kombiniert, um durch iteratives Feedback und Trajektorienanalyse robuste Skills zu lernen und so die Leistung bei komplexen Aufgaben wie dem Sammeln von Diamanten in Craftax signifikant zu verbessern.
Das Paper stellt FlexServe vor, ein schnelles und sicheres System für die Inferenz von Large Language Models auf mobilen Geräten, das durch flexible Ressourcenisolierung und spezialisierte Managementmechanismen innerhalb von ARM TrustZone die erheblichen Leistungsnachteile herkömmlicher Ansätze überwindet.
Die Studie stellt vor, dass der autonome KI-Agent „Sentinel" durch die Verwendung des Model Context Protocol (MCP) klinische Triage-Daten aus der Fernüberwachung von Patienten mit höherer Sensitivität und Konsistenz als menschliche Ärzte klassifiziert und dabei eine skalierbare, kosteneffiziente Lösung für die Überlastung des medizinischen Personals bietet.
Der vorgestellte Sim2Act-Rahmenwerk verbessert das robuste Simulations-zu-Entscheidungs-Lernen für kritische Domänen wie Lieferketten, indem es durch eine adversarische Kalibrierung und eine gruppenrelative Perturbationsstrategie die Zuverlässigkeit von Policies trotz simulierter Unsicherheiten und Datenverzerrungen sicherstellt.
Die Arbeit stellt „Quality over Quantity" (QoQ) vor, eine systematische Methode zur automatischen Kuratierung hochwertiger Roboterdemonstrationsdaten mittels Einflussfunktionen, die nachweislich die Leistung von Lernpolitiken in simulierten und realen Umgebungen verbessert.
Diese Arbeit stellt ein integriertes Online-Framework zur Vorhersage der Zuverlässigkeit von Satellitenelektronik vor, das ein Wiener-Prozess-Degradationsmodell mit räumlichen Korrelationen und eine adaptive zweistufige Active-Learning-Strategie kombiniert, um trotz begrenzter Daten und variierender Betriebsbedingungen eine hohe Vorhersagegenauigkeit zu erreichen.
Die Arbeit stellt DynaME vor, ein hybrides Framework für das Online-Training von Zeitreihen, das Konzeptdrift in wiederkehrende und emergente Drift unterteilt und durch eine Kombination aus spezialisierten Experten für historische Muster sowie einem stabilen Generalisten für neue Muster eine überlegene Anpassungsfähigkeit erreicht.
Die vorgestellte Arbeit schlägt leichte, mit Reinforcement Learning trainierte Decoding-Adapter vor, die dynamisch Sampling-Strategien an die jeweilige Aufgabenkomplexität und verfügbare Rechenressourcen anpassen, um die Genauigkeit von Large Language Models bei Mathematik- und Codierungsaufgaben im Vergleich zu statischen Baselines signifikant zu verbessern.
Diese Arbeit verifiziert, dass persistente Beobachter in kausal invarianten Hypergraphen die Bedingungen des Good-Regulator-Theorems erfüllen, wodurch sich natürliche Gradientenabstiegsverfahren als einzig zulässige Lernregel ergeben und eine modellabhängige Verbindung zwischen Wolframs und Vanchurins Theorien mit einem quanten-klassischen Schwellenwert bei κ(F)=2 hergestellt wird.
Die Arbeit stellt die „Exclusive Self Attention" (XSA) vor, eine einfache Modifikation des Self-Attention-Mechanismus, die durch den Ausschluss der eigenen Token-Information die Kontextmodellierung verbessert und bei Sprachmodellierungsaufgaben konsistent bessere Ergebnisse als das Standardverfahren erzielt.
Diese Arbeit stellt ein hybrides, auf Proximal Policy Optimization (PPO) und Linearer Programmierung basierendes Optimierungsverfahren für ein semantikbasiertes, RIS-gestütztes Fahrzeug-Edge-Computing-System vor, das die End-to-End-Latenz im Vergleich zu bestehenden Methoden um 40–50 % reduziert.
Diese Studie zeigt, dass die Integration von Sentiment-Daten aus feinabgestimmten LLMs (Qwen3) mit traditionellen tabellarischen Marktdaten die Vorhersagegenauigkeit und den wirtschaftlichen Nutzen für Aluminiumpreise, insbesondere in volatilen Phasen, signifikant verbessert.