69 Arbeiten
Diese Arbeit stellt ein neuronales Netzwerk vor, das Fuzzy Cognitive Maps mittels Langevin-Differentialdynamik verarbeitet, um Kausalitätsmuster zu lernen und durch inverse Lösungen Kriterien für Anpassungen zu liefern, wobei die Leistung an mehreren Datensätzen evaluiert wurde.
Die Studie stellt D2MOE vor, ein neuartiges Verfahren zur Vorhersage intrinsisch ungeordneter Proteinregionen, das durch die Kombination von Dual-View-Multiskalen-Feature-Extraktion und einem multiobjektiven evolutionären Algorithmus die Genauigkeit und Effizienz bestehender Methoden übertrifft.
Die Arbeit stellt NOBLE vor, eine Architektur-Erweiterung für Transformer, die permanente nichtlineare Low-Rank-Branches in die linearen Schichten integriert, um das Training von Grund auf zu beschleunigen und dabei die Effizienz bei minimalen Parameter- und Zeitkosten signifikant zu steigern.
Die vorgestellte Arbeit kombiniert Stein-Variational-Gradientenabstieg mit Evolution-Strategie-Updates, um einen effizienten, gradientenfreien Algorithmus zu entwickeln, der hochwertige Stichproben aus unnormalisierten Zielverteilungen generiert und dabei die Leistung bestehender gradientenfreier Methoden auf Benchmark-Problemen signifikant verbessert.
Das Paper stellt CodeEvolve vor, ein Open-Source-Framework, das Large Language Models mit einer inselbasierten genetischen Algorithmus kombiniert, um in algorithmischen Entdeckungs- und Optimierungsaufgaben state-of-the-art-Ergebnisse zu erzielen, wobei offene Modelle oft geschlossene Baselines bei deutlich geringeren Rechenkosten übertreffen.
Die vorgestellte Studie entwickelt ein reproduzierbares hybrides Quanten-Klassisch-Framework, das durch eine quanteninspirierte Merkmalsabbildung und ein Deep Quantum Neural Network (DQNN) die Genauigkeit und Generalisierungsfähigkeit der Vorhersage von pKa-Werten auf Restebene in Proteinen verbessert.
Diese Arbeit überwindet fundamentale Grenzen der neuronalen Approximationstheorie, indem sie eine dreidimensionale ReLU-Architektur einführt, die durch effiziente Sägezahn-Funktionen exponentielle Approximationsraten für analytische Funktionen und erstmals quantitative, nicht-asymptotische Ergebnisse für allgemeine -Funktionen ermöglicht.
Diese Arbeit stellt einen quantenmechanischen Rahmen vor, der quantisierungsbasierte Optimierungsalgorithmen über eine Verbindung von Gradientenfluss, Schrödinger-Gleichung und Thermodynamik modelliert, wodurch das Entkommen aus lokalen Minima durch Quantentunneln ermöglicht und eine globale Konvergenz sowohl für kombinatorische als auch für kontinuierliche Probleme garantiert wird.
Die vorgestellte Arbeit stellt „Stable Spike" vor, eine Methode zur dualen Konsistenzoptimierung in Spiking Neural Networks, die durch hardwarefreundliche Bit-AND-Operationen stabile Spike-Gerüste extrahiert und inkonsistente Rauschspikes reduziert, um so die Genauigkeit und Generalisierungsfähigkeit insbesondere bei ultra-niedriger Latenz signifikant zu steigern.
Diese Arbeit erweitert das klassische Chen-Chen-Approximationstheorem für Deep Operator Networks auf beliebige lokal konvexe Räume, indem sie topologische DeepONets einführt, die nichtlineare Operatoren zwischen solchen Räumen und Funktionenräumen über kompakten euklidischen Domänen uniform approximieren können.
Diese Arbeit stellt ScenarioFuzz vor, eine neuartige, historisch informierte Fuzzing-Methode für autonome Fahrsysteme, die durch die Kombination von Graph-Neural-Networks und selbstüberwachtem Clustering die Effizienz der Fehlererkennung um 60,3 % steigert und dabei 58 neue Fehler in sechs verschiedenen Systemen aufdeckt.
Diese Studie zeigt, dass symmetrische Reservoir-Topologien die Vorhersagegenauigkeit für nichtlineare dynamische Systeme mit geringen Freiheitsgraden, wie Konvektionsmodelle, signifikant verbessern, während stark chaotische hochdimensionale Systeme wie Scherströmungen kaum von der Topologie-Symmetrie beeinflusst werden.
Die Studie zeigt, dass ein auf prädiktiven neuronalen Netzen basierendes Generierungsmodell (EIGen) neue visuelle Bewegungsillusionen erzeugt, die auch Menschen täuschen, und untermauert damit die Hypothese, dass solche Illusionen durch die Vorhersagen des Gehirns statt durch reine Sinnesreize entstehen.
Das Paper stellt LLEMA vor, ein Framework, das Large Language Models mit chemischen Evolutionsregeln und Gedächtnis-basiertem Feedback kombiniert, um in einem multi-objektiven Suchprozess effizient und synthetisierbare neue Materialien für verschiedene Anwendungsbereiche zu entdecken.
Die Arbeit stellt Yukthi Opus vor, einen hybriden Metaheuristik-Algorithmus mit Multi-Chain-Architektur, der MCMC, gierige lokale Suche und adaptives Simulated Annealing kombiniert, um unter strengen Evaluierungsbudgets effiziente Lösungen für große NP-schwere Optimierungsprobleme zu finden.
Diese Arbeit entwickelt eine dynamische Theorie für die sequenzielle Abrufbarkeit in input-getriebenen Hopfield-Netzwerken, indem sie explizite Bedingungen für selbsttragende Speicherübergänge herleitet und so eine mathematische Brücke zwischen klassischer Hopfield-Dynamik und modernen Reasoning-Architekturen schlägt.
Der Artikel stellt „Evolution 6.0" vor, ein autonomes Robotersystem, das mithilfe von Vision-Language-Modellen und generativer KI fehlende Werkzeuge selbstständig entwirft und deren Nutzung erlernt, um menschliche Aufgaben zu erfüllen.
Das Papier stellt Akkumula vor, ein Framework zur Nachbildung von Fahrerentscheidungen mittels Spiking Neural Networks, das die realistische, skalierbare und transparente Modellierung von Beschleunigungs-, Brems- und Lenkmanövern ermöglicht.
Das Paper stellt AutoQD vor, einen theoretisch fundierten Ansatz, der mithilfe von Zufalls-Fourier-Features und Occupancy-Maßen automatisch aussagekräftige Verhaltensdeskriptoren für Quality-Diversity-Optimierung generiert, wodurch die Abhängigkeit von manuell definierten Merkmalen überwunden und eine offene Entdeckung vielfältiger Verhaltensweisen in der Reinforcement Learning ermöglicht wird.
Die Arbeit stellt CaRe-BN vor, eine Methode zur präzisen Anpassung von Batch-Normalisierungs-Statistiken in Spiking Neural Networks für das Reinforcement Learning, die durch eine konfidenzbasierte adaptive Aktualisierung und eine Neu-Kalibrierung die Trainingsstabilität verbessert und damit die Leistung von SNNs auf Benchmark-Aufgaben signifikant steigert, ohne die Energieeffizienz im Inferenzbetrieb zu beeinträchtigen.