69 Arbeiten
Die Arbeit stellt „Soft QD" als eine diskretisierungsfreie Alternative zur herkömmlichen Qualitäts-Diversitäts-Optimierung vor, die durch die Herleitung des differenzierbaren Algorithmus SQUAD skalierbare Lösungen für hochdimensionale Probleme bietet und dabei mit dem aktuellen Stand der Technik konkurrieren kann.
NeuroPareto ist ein neuartiges Framework für das kostenintensive viele Zielsuchproblem in hochdimensionalen Räumen, das durch die Integration einer kalibrierten Bayesianischen Klassifikation, tiefen Gauß-Prozess-Surrogaten und einer online trainierten Akquisitionsstrategie effiziente und präzise Pareto-Optimierung bei minimalem Evaluierungsaufwand ermöglicht.
Die Arbeit stellt mlx-snn vor, die erste native Bibliothek für Spiking Neural Networks auf Apple Silicon, die auf dem MLX-Framework aufbaut und durch effiziente Speichernutzung sowie beschleunigtes Training eine leistungsstarke Alternative zu PyTorch-basierten Lösungen bietet.
Die Studie zeigt, dass algebraische Umformulierungen von Zielfunktionen und die Wahl der Benchmark-Designs zu signifikanten, lokal strukturierten Abweichungen von der No-Free-Lunch-Intuition führen, was eine problemklassen- und darstellungsabhängige Algorithmenauswahl in der evolutionären Berechnung und statistischen Inferenz notwendig macht.
Diese Arbeit stellt ein auf einem optimierten evolutionären Algorithmus basierendes Framework zur gemeinsamen Hardware-Workload-Optimierung vor, das generalisierte In-Memory-Computing-Architekturen entwickelt, die über verschiedene neuronale Netzwerk-Workloads hinweg robuste Leistung erzielen und im Vergleich zu herkömmlichen Methoden die Energie-Verzögerungs-Flächen-Produkte (EDAP) um bis zu 95,5 % senken.
Diese Arbeit stellt einen robusten, quantilbasierten adaptiven KKT-Indikator vor, der die Konvergenz von Multi-Objective-Optimierungsalgorithmen ohne externe Referenzmengen bewertet und dabei die Empfindlichkeit gegenüber heterogenen Verteilungen der Stationaritätsresiduen reduziert.
Diese Arbeit stellt eine theoretisch fundierte Lyapunov-Stabilitätsanalyse für stochastische Vektoroptimierung mittels Drift-Diffusionsmodellen bereit und implementiert den Ansatz als reproduzierbaren Algorithmus in Python, der sich als mathematisch handhabbare Alternative zu populationsbasierten Heuristiken insbesondere bei höheren Dimensionen und begrenzten Evaluierungsbudgets bewährt.
Die Arbeit stellt VietNormalizer vor, eine quelloffene, abhänigkeitsfreie Python-Bibliothek, die vietnamesische Texte durch eine regelbasierte Pipeline für Zahlen, Datumsangaben, Währungen und Fremdwörter normalisiert, um deren direkte Verwendung in Text-to-Speech- und NLP-Anwendungen ohne externe Abhängigkeiten zu ermöglichen.
Das Paper stellt die Dropout-Technik vor, die durch das zufällige Deaktivieren von Neuronen während des Trainings die Ko-Adaptation von Merkmalserkennern verhindert, Überanpassung reduziert und damit die Leistung von neuronalen Netzen bei verschiedenen Aufgaben wie Spracherkennung und Objekterkennung signifikant verbessert.