66 Arbeiten
Diese Arbeit stellt ein selbstüberwachtes evolutionäres Lernframework vor, das aus kontinuierlichen EEG-Daten während sicherheitskritischer Entscheidungen individuelle neurodynamische Verläufe und Identitätsmanifolds ableitet, um sowohl die Authentifizierung als auch die Anomalieerkennung ohne externe Labels zu ermöglichen.
Diese Arbeit stellt zwei neuartige, datenunabhängige evolutionäre Frameworks vor, die auf dem kontinuierlichen Kugelwellenmodell basieren, um die Lokalisierung mehrerer Quellen im Nahfeld bei beliebigen Array-Geometrien ohne diskretisierte Gitter oder überwachtes Lernen zu ermöglichen.
Diese Arbeit stellt den hybriden evolutionären Algorithmus NHILS und die OPERA-MC-Methode vor, um das mehrkriterielle, chancenbeschränkte Mehrfachauswahl-Rucksackproblem mit impliziten Wahrscheinlichkeitsverteilungen effizient zu lösen und dabei Kostenminimierung sowie die Zuverlässigkeit der Kapazitätsbeschränkung zu optimieren.
Diese Studie zeigt, dass ein vom STG-LIFG-PMC-Pfad inspiriertes neuronales Netzwerk durch Rangordnungscodierung nicht nur akustische Eingaben effizient komprimiert und rekonstruiert, sondern auch eine robuste, hierarchische Grammatikdarstellung ermöglicht, die strukturelle Verletzungen erkennt und die Transition von akustischem Input zu motorischer Ausführung modelliert.
Dieser Bericht dokumentiert die Arbeiten der SymBa-Gruppe auf dem ALICE-2026-Workshop, die durch Nils Aall Barricellis Pionierarbeit zur Symbiogenese inspiriert wurden, und stellt Replikationen sowie Erweiterungen von numerischen Organismen vor, um die Rolle der Symbiogenese für den Ursprung des Lebens, offene Endlichkeit und kollektive Intelligenz zu untersuchen.
Die Autoren stellen PolarBear vor, ein Framework, das mittels eines zeitlichen Plackett-Luce-Ranking-Modells und adaptivem Sampling eine Pareto-optimale Menge von Anytime-Algorithmen identifiziert, ohne dass Normalisierung oder bekannte Optima erforderlich sind.
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 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 GOT-JEPA vor, ein Framework zur Vorhersage von Tracking-Modellen mittels Joint-Embedding Predictive Architecture, das in Kombination mit dem OccuSolver-Modul die Generalisierungsfähigkeit und die Verarbeitungsleistung bei Verdeckungen in der generischen Objektverfolgung signifikant verbessert.
Die Studie zeigt, dass ein neuromorpher Algorithmus zur Lösung partieller Differentialgleichungen eine außergewöhnliche inhärente Fehlertoleranz aufweist, da er bis zu 32 % der Neuronen und 90 % der Spikes verlieren kann, ohne dass die Genauigkeit signifikant beeinträchtigt wird.
Die Studie zeigt, dass die Integration physiologischer Muskel-Synergie-Prioritäten in ein verstärkendes Lernframework die biomechanische Genauigkeit und Generalisierungsfähigkeit prädiktiver muskuloskelettaler Laufsimulationen über verschiedene Geschwindigkeiten und Geländebedingungen hinweg verbessert.
Diese Arbeit stellt ein ressourcenschonendes, hybrides Entscheidungsframework für das Amazons-Schach vor, das Graph-Attention-Autoencoder mit der generativen Kraft von GPT-4o-mini kombiniert, um durch synthetische Daten und strukturelles Rauschen eine überlegene Spielstärke zu erreichen, die sogar die des zugrundeliegenden Lehrmodells übertrifft.
Diese Arbeit stellt ein neuartiges, ereignisgesteuertes E-Haut-System vor, das eine piezoresistive Sensorik mit einer dynamischen binären Scan-Strategie und einer auf FPGA implementierten spiking neuronalen Netzwerk-Klassifizierung kombiniert, um eine hoch effiziente, datenkomprimierte Echtzeit-Erkennung von Handschrift mit 92,11 % Genauigkeit zu ermöglichen.
Der Artikel stellt „ForwardFlow" vor, ein rein simulationsbasiertes statistisches Inferenzverfahren, das ein einziges Deep-Learning-Netzwerk nutzt, um aus simulierten Daten Parameterschätzungen zu gewinnen und dabei Eigenschaften wie endliche Stichprobengenauigkeit, Robustheit gegenüber Datenverfälschungen und die automatische Approximation komplexer Algorithmen wie des EM-Algorithmus demonstriert.
Die Arbeit stellt ein vollautomatisiertes KI-System vor, das mithilfe einer populationbasierter Agentenarchitektur und durch Analyse von YouTube-Comedy-Videos trainierter LLM-Kritiker kurze Sketch-Comedy-Videos in professioneller Qualität generiert.
Die Arbeit stellt TT-SNN vor, eine Methode, die durch Tensor-Train-Zerlegung und eine parallele Berechnungspipeline die Speicheranforderungen, Rechenkosten und die Trainingszeit von Spiking Neural Networks erheblich reduziert, ohne dabei die Genauigkeit nennenswert zu beeinträchtigen.
Dieses Tutorial und die Übersicht stellen Predictive Coding Networks als eine vielversprechende, biologisch plausible und mathematisch übergeordnete Alternative zum Backpropagation-Algorithmus vor, die durch Inferenzlernen effizientere und vielseitigere Architekturen für überwachtes und unüberwachtes Lernen ermöglicht.
Diese Studie stellt einen bioinspirierten Ansatz vor, der das Verhalten von Ameisenkolonien nachahmt, um durch die Kombination von Basis-, Bedrohungs- und Umweltpunktzahlen den Zustand industrieller Produktionsprozesse (wie das Frittieren von Kartoffelchips) in Echtzeit als „in Kontrolle" oder „außer Kontrolle" zu klassifizieren und bevorstehende Wartungsbedarf vorherzusagen.
Der Artikel beweist, dass Predictive Coding Graphs (PCGs) eine mathematische Obermenge von Feedforward-Neuronalen Netzen darstellen und sie dadurch stärker in den Bereich des maschinellen Lernens einordnen.