4219 Arbeiten
Die Studie zeigt, dass autonome Cyber-Angreifer-Agenten durch IP-Adressänderungen in ihrer Generalisierungsfähigkeit stark beeinträchtigt werden, wobei zwar promptgesteuerte LLM-Agenten die höchste Erfolgswahrscheinlichkeit aufweisen, dies jedoch auf Kosten von Rechenleistung, Transparenz und Zuverlässigkeit geht.
Die Studie zeigt, dass die Evaluierungsformate (z. B. Multiple-Choice vs. offen) einen größeren Einfluss auf gemessene Sicherheitswerte haben als die Scaffolding-Architekturen selbst, was universelle Sicherheitsaussagen unmöglich macht und eine kontextspezifische Prüfung pro Modell und Konfiguration erfordert.
Die vorgeschlagene Methode zur kontinuierlichen Lernfähigkeit in der menschlichen Aktivitätserkennung nutzt eine parametereffiziente, kanalweise gated Modulation eingefrorener vortrainierter Merkmale, um durch selektive Skalierung statt neuer Merkmalsgenerierung sowohl Stabilität gegen katastrophales Vergessen als auch Plastizität für neue Subjekte zu gewährleisten.
Die Arbeit stellt XSAM vor, eine verbesserte und effiziente Implementierung von Sharpness-Aware Minimization, die durch eine intuitivere Interpretation des Gradienten und eine explizite Richtungsbestimmung des Maximums die Generalisierungsfähigkeit von neuronalen Netzen über bestehende Methoden hinaus optimiert.
Das Paper stellt InFusionLayer vor, ein Open-Source-Python-Tool, das auf Kombinatorischer Fusionsanalyse (CFA) basiert, um durch die Integration von Rang-Score-Charakteristik und kognitiver Diversität Ensemble-Methoden für überwachte und unüberwachte Klassifizierungsprobleme in gängigen Machine-Learning-Frameworks zu ermöglichen.
Die Arbeit stellt FlowSem-MAE vor, einen tabellenbasierten Masked Autoencoder, der durch die Berücksichtigung protokollspezifischer Feldsemantik und die Vermeidung von Induktionsverzerrungen bei der Verschlüsselungstraffik-Klassifizierung den aktuellen Stand der Technik übertrifft und dabei deutlich weniger gelabelte Daten benötigt.
Das Paper stellt OMNIGUIDE vor, ein flexibles Framework, das die Leistung von allgemeinen Vision-Language-Action-Robotikmodellen bei komplexen Aufgaben durch die Integration verschiedener Guidance-Quellen als differenzierbare Energiefunktionen in einem einheitlichen Ansatz signifikant verbessert.
Die Arbeit stellt CAADRL vor, einen Deep-Reinforcement-Learning-Ansatz, der durch clusterbewusste Kodierung und hierarchische Dekodierung die Struktur des Pickup-and-Delivery-Problems explizit nutzt, um bei gleichzeitig geringerer Inferenzzeit als kollaborative Suchverfahren state-of-the-art-Ergebnisse auf instanziellen Clustern zu erzielen.
Diese Arbeit bestätigt nach zwanzig Jahren die Vermutung einer universellen Quantisierung des krümmungsgewichteten Ricci-Skalars auf positive Halbzahlen für baum- und vollständig-graph-strukturierte binäre Bayes-Netze, widerlegt sie jedoch für allgemeine Graphen durch explizite Schleifen-Gegenbeispiele und erweitert die Analyse auf Gaußsche DAG-Netze, bei denen eine Vorzeichen-Dichotomie zwischen positiver diskreter und negativer kontinuierlicher Krümmung besteht.
Die Studie zeigt, dass das Vortraining von Sprachmodellen auf synthetischen, nicht-sprachlichen Daten aus neuronalen zellulären Automaten die Leistung und Konvergenzgeschwindigkeit im Vergleich zu herkömmlichen Textdaten verbessert und einen effizienteren Weg zu intelligenten Modellen durch vollständig synthetisches Pre-Training eröffnet.
Die Arbeit stellt HTMuon vor, einen optimierten Muon-Algorithmus, der durch heavy-tailed spektrale Korrektur die Leistung von LLMs und Bildklassifizierung verbessert, indem er die Unterdrückung schwerer Verteilungsschwänze im Muon-Update vermeidet und theoretisch als steilster Abstieg unter Schatten-q-Norm-Bedingungen analysiert wird.
Die Arbeit stellt SAPO vor, eine Methode, die durch eine einzige Codezeile-Änderung das Trainingskollaps bei suchbasierten Agenten verhindert und so eine deutliche Leistungssteigerung gegenüber bestehenden Ansätzen wie Search-R1 erzielt.
Die Studie wendet erstmals Sparse Autoencoder auf das Zeitreihen-Modell Chronos-T5 an und zeigt durch kausale Feature-Ablation, dass kritische Vorhersagefähigkeiten nicht in den semantisch reichsten, sondern in den mittleren Schichten verankert sind, die abrupte Dynamiken erkennen, während eine progressive Ablation der finalen Schichten die Prognosequalität paradoxerweise verbessert.
Die Studie zeigt, dass neuronale Netze bei einer mehrdeutigen Zuordnungsaufgabe zunächst eine marginale Verteilung lernen, die durch eine Plateauphase der Entropie stabilisiert wird, bevor sie durch einen scharfen kollektiven Übergang zur vollständigen bedingten Verteilung übergehen, wobei Rauschen und die Datengröße die Dauer dieses Plateaus bestimmen.
Die Arbeit stellt stochastische Port-Hamiltonsche neuronale Netze (SPH-NNs) vor, die durch die Parametrisierung der Hamilton-Funktion und die Erhaltung passivitätskonformer Strukturen eine universelle Approximation mit garantierten Passivitätseigenschaften ermöglichen und in Experimenten gegenüber herkömmlichen MLPs überlegene Langzeitvorhersagen sowie geringere Energiefehler aufweisen.
Die Arbeit liefert eine quantitative Theorie der „Catapult"-Phase beim SGD-Training flacher Netze im NTK-Limit, indem sie eine explizite Bedingung herleitet, die bestimmt, ob große NTK-verflachende Spikes mit hoher Wahrscheinlichkeit auftreten oder ihre Wahrscheinlichkeit mit der Netzbreite abnimmt.
Die Studie stellt „Amnesia" vor, einen leichten adversarialen Angriff im Aktivierungsraum, der durch Manipulation interner Transformer-Zustände Sicherheitsmechanismen in offenen Large Language Models umgeht und so die Erzeugung schädlicher Inhalte ohne Nachtraining ermöglicht.
Die vorgestellte Arbeit schlägt eine Methode zur Minderung der Frequenz-Lernverzerrung in Quantenmodellen vor, indem sie das Konzept des mehrstufigen residualen Lernens aus dem klassischen Bereich adaptiert, um die Fähigkeit zur Erfassung komplexer Frequenzkomponenten in parametrisierten Quantenschaltkreisen signifikant zu verbessern.
Die vorgestellte Arbeit überwindet die Beschränkung flacher Konzeptmodelle durch die Entwicklung von Multi-Level Concept Splitting (MLCS) zur Entdeckung mehrstufiger Konzept-Hierarchien aus nur grober Überwachung und Deep-HiCEMs als Architektur, die diese Hierarchien für interpretierbare Eingriffe auf verschiedenen Abstraktionsebenen nutzbar macht.
Das Paper stellt KernelSkill vor, ein Multi-Agenten-Framework mit einer dualen Speicherarchitektur, das durch die Nutzung von wissensbasierten Expertenfähigkeiten anstelle impliziter Heuristiken GPU-Kernel-Optimierungen effizienter und interpretierbarer gestaltet und dabei auf dem KernelBench signifikante Geschwindigkeitssteigerungen erzielt.