4443 Arbeiten
Diese Arbeit stellt neue absolute Cluster-Indizes vor, die auf einer Kompaktheitsfunktion und einer Nachbarschaftsmenge basieren, um die Kompaktheit und Trennbarkeit von Clustern sowie die wahre Anzahl der Cluster in synthetischen und realen Datensätzen zu bestimmen.
Diese Arbeit stellt einen theoretischen Rahmen vor, der mithilfe der sogenannten Hermite-Eigenstruktur-Ansatz (HEA) und nur empirischen Datenstatistiken Lernkurven für Kernel-Regression auf realen Datensätzen vorhersagt und zudem zeigt, dass MLPs im Feature-Learning-Regime die von der HEA vorhergesagten Hermite-Polynome erlernen.
Diese Arbeit zeigt durch eine einheitliche geometrische Analyse, dass die Wertiteration sowohl im Fall des diskontierten als auch des durchschnittlichen Belohnungsmodells unter der Annahme einer eindeutigen unichain-optimalen Strategie geometrisch konvergiert und dabei schneller ist als frühere Theorien vermuten ließen.
Die Arbeit stellt KVTC vor, einen leichten Transform-Coder, der durch PCA-basierte Dekorrelation, adaptive Quantisierung und Entropiecodierung KV-Caches von Large Language Models um bis zu 20-fach komprimiert, um den GPU-Speicherbedarf zu senken und die Genauigkeit bei der Wiederverwendung von Caches in Chat- und Code-Editier-Szenarien zu erhalten.
Die Arbeit stellt Augmented Time Series Causal Models (ATSCM) vor, ein Framework, das neuronale kausale Entdeckung mit Gegenfaktischen Schlussfolgerungen kombiniert, um die komplexen, zeitlich variierenden kausalen Zusammenhänge in Energiemärkten zu modellieren und Szenarioanalysen für Strompreise zu ermöglichen.
Die vorgestellte Arbeit führt das TNCM-VAE-Modell ein, das Variational Autoencoder mit strukturellen Kausalmodellen kombiniert, um synthetische Finanzzeitreihen zu generieren, die sowohl zeitliche Abhängigkeiten als auch kausale Zusammenhänge bewahren und somit verlässliche Gegenfakten für Risikoanalysen und Stresstests ermöglichen.
Die vorgestellte Arbeit adressiert die Ressourcenzuteilung in hybriden RF-OWC-IoT-Netzen durch den Dual-Graph-Embedding-with-Transformer (DGET)-Ansatz, der Graph Neural Networks mit Multi-Task-Learning kombiniert, um bei unvollständiger Kanalbeobachtung eine nahezu optimale, recheneffiziente Scheduling-Strategie zu erreichen, die den Durchsatz maximiert und das Delivery-based Age of Information im Vergleich zu reinen RF-Systemen um bis zu 20 % senkt.
Die Arbeit stellt STREAM-VAE vor, ein Variational-Autoencoder-Modell mit dualer Pfad-Routing-Architektur, das durch die getrennte Erfassung langsamer Drifts und schneller Spitzen in Fahrzeugtelemetriedaten die Zuverlässigkeit der Anomalieerkennung im Vergleich zu bestehenden Methoden verbessert.
Die vorgestellte Arbeit präsentiert einen hierarchischen Dual-Strategie-Ansatz zum selektiven Vergessen spezifischen Wissens in medizinischen Large Language Models, der durch geometrisch eingeschränkte Gradientenupdates und token-level Interventionen eine hohe Privatsphäre bei gleichzeitiger Erhaltung grundlegender medizinischer Kompetenzen gewährleistet.
Das Paper stellt CostNav vor, einen physikalisch fundierten Benchmark, der autonome Navigationsagenten anhand realer wirtschaftlicher Kosten und Einnahmen bewertet und dabei zeigt, dass aktuelle Methoden trotz hoher Erfolgswahrscheinlichkeit bei vereinfachten Aufgaben kommerziell nicht tragfähig sind.
Die Arbeit stellt Partially Equivariant Reinforcement Learning vor, ein Framework, das durch die selektive Anwendung von gruppeninvarianten Bellman-Updates in teilweise symmetriebrechenden Umgebungen die Generalisierungsfähigkeit und Sample-Effizienz von Reinforcement-Learning-Algorithmen signifikant verbessert.
Die Arbeit stellt einen Co-Design-Rahmen vor, der die morphologische Gestaltung und die Steuerung dexterer Roboterhände gemeinsam optimiert, um innerhalb von 24 Stunden eine vollständige Pipeline von der Simulation bis zum realen Einsatz zu ermöglichen.
Die Arbeit stellt AlphaQubit 2 vor, einen skalierbaren und Echtzeit-fähigen neuronalen Decoder, der für Oberflächencodes und Farbcodes nahezu optimale logische Fehlerraten erreicht und dabei die Geschwindigkeit und Genauigkeit bestehender Entschlüsselungsverfahren deutlich übertrifft.
Das Paper stellt Trio vor, ein geschlossenes Framework für die molekulare Entdeckung, das fragmentbasierte Sprachmodelle, Reinforcement Learning und Monte-Carlo-Baumsuche integriert, um interpretierbare, synthetisch machbare und hochwirksame Liganden mit verbesserter Bindungsaffinität, Arzneimitteleigenschaften und Diversität zu generieren.
Dieses Paper stellt effiziente Random-Forest-Varianten vor, die das Prinzip der Minimierung des maximalen Risikos (MaxRM) über verschiedene Umgebungen hinweg anwenden, um die Generalisierungsfähigkeit bei Out-of-Distribution-Szenarien zu verbessern, und liefert sowohl konsistente Algorithmen als auch neue theoretische Garantien für verschiedene Risikomaße.
Die Arbeit stellt PvP vor, ein kontrastives Lernframework, das propriozeptive und privilegierte Zustände nutzt, um die Effizienz und Stabilität des Reinforcement-Learning-basierten Ganzkörperkontrolls für humanoide Roboter zu verbessern, und führt gleichzeitig SRL4Humanoid als einheitliches Evaluierungsframework ein.
Die Studie stellt den „Pretrained Battery Transformer" (PBT) als ersten universellen Grundmodell für die Vorhersage der Batterielebensdauer vor, der durch den Einsatz von wissenscodierten Mixture-of-Experts-Schichten auf heterogenen Daten trainiert wird und damit den aktuellen Stand der Technik bei der Lebensdauervorhersage verschiedener Batterietypen deutlich übertrifft.
Die Arbeit stellt NMIRacle vor, ein zweistufiges generatives KI-Framework, das aus IR- und NMR-Spektren präzise Molekülstrukturen ableitet, indem es fragmentbasierte chemische Modelle mit spektralen Daten verknüpft und dabei bestehende Methoden in Bezug auf Genauigkeit und Robustheit übertrifft.
Die Arbeit stellt ein theoretisches Rahmenwerk vor, das erklärt, wie Sattel-zu-Sattel-Dynamiken beim Gradientenabstieg in verschiedenen neuronalen Netzarchitekturen zu einem systematischen Einfachheitsbias führen, bei dem Lösungen schrittweise komplexer werden, indem sie nacheinander invariante Mannigfaltigkeiten durchlaufen.
Diese Studie stellt ein datenbasiertes relativistisches Unsicherheitsframework (DRU) vor, das speziell für die Verbesserung von schlecht beleuchteten Anime-Hintergrundbildern entwickelt wurde, indem es ein neues Datenset erstellt und Unsicherheitsinformationen nutzt, um die Lernziele dynamisch anzupassen und so die Bildqualität über den aktuellen Stand der Technik hinaus zu verbessern.