4123 Arbeiten
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.
Dieser Artikel stellt einen datengestützten Ansatz vor, der durch die Kombination von Offline-Reinforcement-Learning und Überlebensanalyse optimale Preis- und Lagerstrategien für sequenzielle Entscheidungen unter zensierter und abhängiger Nachfrage ermittelt, wobei finite-Stichproben-Regressionsgrenzen die Wirksamkeit der vorgeschlagenen Algorithmen belegen.
Dieses Papier stellt einen deterministischen, diffusionsbasierten Rahmen vor, der durch die Umkehrung eines durch Weißrauschen angeregten Vorwärtsprozesses eine Rückkopplungssteuerung für nichtlineare Systeme ableitet, um die Wahrscheinlichkeitsdichte auf eine gewünschte Zielverteilung zu lenken.
Die vorgestellte Arbeit stellt SwitchMT vor, eine neuartige Methode, die adaptive Task-Switching-Policies und Deep Spiking Q-Networks nutzt, um die Skalierbarkeit und Leistung von ressourcenbeschränkten autonomen Agenten beim gleichzeitigen Lernen mehrerer Aufgaben zu verbessern und dabei Task-Interferenzen ohne Erhöhung der Netzwerkkomplexität zu überwinden.
Das Paper stellt Panda vor, ein vortrainiertes Modell für chaotische Dynamiken, das auf synthetischen Daten trainiert wurde und durch Null-Shot-Fähigkeiten, die Vorhersage realer experimenteller Zeitreihen sowie die spontane Generalisierung von gewöhnlichen auf partielle Differentialgleichungen ohne Nachtraining überzeugt.
Diese Studie bietet eine datengestützte, halbautomatische Übersicht über die Forschung zu den Grenzen großer Sprachmodelle (LLLMs) von 2022 bis Anfang 2025, die auf einer Analyse von 14.648 relevanten Arbeiten aus 250.000 ACL- und arXiv-Publikationen basiert und zeigt, dass sich der Anteil dieser Forschung stark erhöht hat, wobei Schlussfolgern die am intensivsten untersuchte Einschränkung bleibt.
Diese Arbeit stellt einen konsistenzbasierten abduktiven Rahmen vor, der durch die logische Integration und Fehlerfilterung mehrerer vortrainierter Wahrnehmungsmodelle deren Leistung in neuen Umgebungen mit Verteilungsverschiebungen signifikant verbessert.
Die Studie stellt CARTGen-IR vor, eine effiziente und interpretierbare Methode zur synthetischen Datengenerierung für tabellarische Daten mit unausgewogenen Regressionszielen, die mittels relevanz- und dichtegesteuerten Samplingverfahren ohne willkürliche Schwellenwerte realistische Stichproben erzeugt und damit die Leistung von Regressionsmodellen in extremen Wertebereichen verbessert.
Die Studie zeigt, dass bei der Prognose des Einzelhandelsumsatzes unter Bedingungen wie intermittierender Nachfrage und häufigen Produktwechseln lokale baumbasierte Ensemble-Methoden wie XGBoost komplexeren Deep-Learning-Architekturen überlegen sind und somit die Ausrichtung auf die Problemcharakteristika wichtiger ist als die architektonische Raffinesse.
Die Arbeit stellt ReLIFT vor, eine neuartige Trainingsmethode, die Reinforcement Learning mit Online-Supervised Fine-Tuning kombiniert, um die Grenzen von RL zu überwinden und Large Language Models durch das Erlernen neuer Fähigkeiten und Wissensbestände bei komplexen Fragen signifikant zu verbessern.
Diese Arbeit definiert die Klasse der „Prefix-Scannable Models" (PSMs), die durch eine Verallgemeinerung des Parallel-Prefix-Scan-Algorithmus auf nicht-assoziative Operatoren (wie Softmax) eine einheitliche Architektur für effiziente parallele Trainings- und sequenzielle Inferenzprozesse bietet und dabei die Ausdruckskraft von Transformern mit der Recheneffizienz von State-Space-Modellen vereint.
Diese Arbeit bietet einen umfassenden Überblick über Differential Privacy im maschinellen Lernen, indem sie deren theoretische Grundlagen, die Integration in Modelle von symbolischer KI bis zu Large Language Models sowie praktische Evaluierungsmethoden untersucht, um sichere und verantwortungsvolle KI-Systeme zu fördern.
Die Arbeit stellt K-Sil vor, eine silhouette-gesteuerte Variante des -means-Algorithmus, die durch adaptive Instanzgewichtung und weiche Mittelwertbildung robustere Clusterbildung bei Ausreißern und unscharfen Grenzen ermöglicht und auf verschiedenen Datensätzen bessere Ergebnisse als herkömmliche Methoden erzielt.
Die Autoren stellen das Yokai Learning Environment (YLE) als neue Benchmark für die Null-Shot-Koordination vor, die durch das Verfolgen von Überzeugungen über bewegliche Karten und das Schließen unter mehrdeutigen Hinweisen bestehende Methoden herausfordert und zeigt, dass auf dem bisherigen Standardbenchmark Hanabi erzielte Fortschritte nicht unbedingt auf komplexere Szenarien verallgemeinern.
Diese Arbeit stellt den Algorithmus \texttt{SRTS} vor, der auf Thompson Sampling basiert und für die sequenzielle Maximierung der Sharpe-Ratio in stochastischen Bandit-Problemen mit gaußschen Belohnungen logarithmische, ordnungsoptimale Regret-Schranken nachweist.
Diese Arbeit beweist, dass analoge Quantensimulatoren mit globaler Kontrolle universell sind, entwickelt einen direkten optimalen Kontrollrahmen zur Überwindung experimenteller Einschränkungen und demonstriert experimentell die Realisierung komplexer Vielteilchenwechselwirkungen und topologischer Dynamik auf Rydberg-Atom-Arrays.
Dieser Artikel stellt eine schnelle Methode zur Tensor-Train-Vervollständigung vor, die unter Verwendung von Standard-Linearalgebra-Operationen und deterministischen Bedingungen ausschließlich auf Beobachtungen ganzer Fasern entlang eines einzelnen Modus basiert, um fehlende Einträge in Mehrweg-Datentensoren effizient wiederherzustellen.
Diese Arbeit stellt eine übertragbare Lösungsmethode für parametrische optimale Steuerungsprobleme vor, die durch den Einsatz von Funktionencodierern und einem Offline-Online-Deekompositionsansatz eine effiziente Zero-Shot-Anpassung an sich ändernde Zielsetzungen ermöglicht und dabei nahe-optimalen Performance bei minimalem Rechenaufwand für den Echtzeiteinsatz bietet.