14 Arbeiten
Die vorgestellte Arbeit stellt eine hybride algebraische Verifikationsmethode für arithmetische Schaltungen vor, die durch parallele Multimodularrechnung modulo verschiedener Primzahlen den Einsatz rechenintensiver Großzahlarithmetik vermeidet und so die Effizienz bei der Wortebenen-Verifikation erheblich steigert.
Die Arbeit stellt das RDFC-Framework vor, das als Form semantischer Kommunikation durch die Übertragung minimaler Informationen zur Erzeugung privater Zufallsfunktionen dient und nachweist, dass selbst ohne gemeinsame Zufallsdaten eine starke lokale Differentialprivatsphäre erreicht werden kann, wobei gemeinsame Zufallsdaten die Kommunikationsrate im Vergleich zu herkömmlichen Methoden drastisch senken.
Diese Arbeit stellt eine Methode zur symbolischen Entdeckung stochastischer Differentialgleichungen mittels genetischer Programmierung vor, die durch die gemeinsame Optimierung von Drift- und Diffusionsfunktionen eine interpretierbare Modellierung und Generierung von Rauschkomponenten in dynamischen Systemen ermöglicht.
Die Arbeit beschreibt ein Experiment zur dezentralen, kollaborativen Autoformalisierung algebraischer Topologie, bei dem mehrere LLM-basierte Agenten in einem bountysbasierten Marktmechanismus dynamisch Lemmas vorschlagen, Beweise führen und diese durch ein interaktives Theorembeweissystem verifizieren lassen.
Diese Habilitationsschrift entwickelt zeit- und speichereffiziente Algorithmen für Polynomberechnungen unter Raumrestriktionen, wobei sie sowohl fundamentale Operationen als auch die Interpolation und Faktorisierung dünnbesetzter Polynome behandelt.
Diese Arbeit demonstriert, wie Reinforcement Learning durch die Entwicklung einer probabilistischen Belohnungsfunktion und eines geeigneten Zustandsraums erfolgreich eingesetzt werden kann, um Netzwerkkonfigurationen für die Leistungsflussanalyse zu finden, die eine deutlich höhere Anzahl von Gleichgewichtspunkten aufweisen als mit herkömmlichen algebraischen Methoden oder einem Gaußschen Basismodell erreichbar wäre.
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 Autoren stellen einen selbstüberwachten maschinellen Lernansatz vor, der mithilfe von Oracle-Trajektorien und einem transformerbasierten Policy-Netzwerk komplexe mathematische Ausdrücke in der Hochenergiephysik nahezu perfekt vereinfacht und dabei bestehende Reinforcement-Learning-Methoden deutlich übertrifft.
Diese Studie stellt die Existenz dissipativitätserhaltender Quadratizationen für polynomiale ODE-Systeme nach, entwickelt einen Algorithmus zu deren Berechnung und demonstriert diesen in mehreren Fallstudien, um die Stabilitätseigenschaften des ursprünglichen Modells zu bewahren.
Die Studie stellt SKANODEs vor, ein Framework, das Kolmogorov-Arnold-Netzwerke in Neural ODEs integriert, um aus Beschleunigungsdaten physikalisch interpretierbare latente Zustände zu rekonstruieren und präzise, symbolische Gleichungen für nichtlineare dynamische Systeme zu entdecken.
Dieses Paper stellt einen effizienten Algorithmus vor, der unter Verwendung von partiellen Gröbner-Basis-Berechnungen und dünnbesetzter Interpolation eine vereinfachte Erzeugendensmenge für rationale Funktionenkörper findet und damit sowohl in der Leistungsfähigkeit als auch in der Ergebnisqualität den aktuellen Stand der Technik verbessert.
Die Autoren stellen einen effizienten Rahmen vor, der mittels eines Teacher-Student-Ansatzes und eines Kernel-Alignment-Ziels die Semantik von Signal-Temporal-Logik in invertierbare neuronale Embeddings überführt, wodurch die rechenintensive symbolische Kernel-Berechnung bei gleichzeitiger Erhaltung der semantischen Struktur und Robustheitsvorhersage ersetzt wird.
Das Paper stellt R1-Code-Interpreter vor, ein durch mehrstufiges Curriculum-Learning und verstärkendes Lernen optimiertes Sprachmodell, das durch autonomes Generieren von Code-Abfragen komplexe Aufgaben löst und dabei die Leistung von GPT-4o übertrifft.
Diese Arbeit stellt einen physikgestützten maschinellen Lernrahmen vor, der mittels genetischer Programmierung geschlossene Gleichungen für multimodale Wasserrückhaltekurven poröser Materialien direkt aus experimentellen Daten ableitet und dabei physikalische Konsistenz sicherstellt.