325 Arbeiten
Die Arbeit stellt das Frequency-Separable Hamiltonian Neural Network (FS-HNN) vor, ein neues Framework, das durch die Aufteilung der Hamilton-Funktion in separate Netzwerke für unterschiedliche Frequenzbereiche die Erfassung komplexer Mehrzeitskalen-Dynamiken und die langfristige Extrapolation bei ODE- und PDE-Problemen verbessert.
Dieses Paper stellt CLAIRE vor, ein hybrides Deep-Learning-Framework für die intelligente Qualitätskontrolle in der Fertigung, das durch einen optimierten Autoencoder komprimierte latente Repräsentationen erzeugt und mit einer spieltheoretischen Interpretierbarkeitstechnik eine robuste und erklärbare Fehlererkennung in hochdimensionalen Umgebungen ermöglicht.
Diese Arbeit stellt ein neues Konzept namens „Control Barrier Corridors" vor, das die funktionalen Ansätze von Control Barrier Functions mit den geometrischen Methoden sicherer Bewegungsgassen vereint, um durch die Umwandlung von Barrieren in lokale Zielregionen verifizierbare und persistente Pfadverfolgung in unbekannten Umgebungen zu ermöglichen.
Dieser Artikel stellt ein adaptives, datengesteuertes Min-Max-Modellprädiktives Regelungsverfahren für diskrete lineare zeitvariante Systeme vor, das durch Online-Daten einen Zustandsrückführungsregelgewinn aktualisiert, um die Stabilität und die Einhaltung von Beschränkungen zu gewährleisten, und zudem auf Systeme mit Prozessrauschen erweitert wird.
Diese Arbeit erweitert ein hardware- und energieeffizientes hybrides Multiuser-MIMO-Konzept mit array-gefütterten RIS-Modulen, indem sie einen pragmatischen Codebook-Entwurf für breitstrahlige AMAF-RIS-Module sowie ein niedrigkomplexes Basisband-Vorcodierungsverfahren für realistische mmWave-Multipath-Kanäle unter Einhaltung der 3GPP-5GNR-Standards vorschlägt.
Diese Arbeit stellt ein neuartiges, unsicherheitsbewusstes adaptives Dynamikmodell für Unterwasserfahrzeug-Manipulator-Systeme vor, das durch bewegte Horizont-Schätzung physikalisch konsistente Parameter in Echtzeit schätzt und damit die Vorhersagegenauigkeit sowie die Zuverlässigkeit der Regelung im Vergleich zu festen Parametern signifikant verbessert.
Die vorgestellte Arbeit schlägt vor, die Schätzung von Interferenzgraphen in drahtlosen Sensornetzwerken durch die Nutzung der Sendeleistung als neue Dimension und deren Integration in parallele Flooding-Prozesse effizient und gleichzeitig mit der Datenübertragung auf handelsüblichen Geräten durchzuführen, um so den Ressourcenverbrauch zu minimieren und die praktische Anwendbarkeit bestehender Scheduling-Algorithmen zu ermöglichen.
Diese Arbeit stellt einen verteilten, datengesteuerten Ansatz namens DDKL-PT vor, bei dem Agenten in einem Multi-Agenten-System mithilfe von Deep Learning und dem Koopman-Operator-Framework aus lokalen, teilweisen Trajektorien ein globales Dynamikmodell konsensbasiert lernen, ohne ihre privaten Trainingsdaten auszutauschen, um anschließend eine präzise modellbasierte prädiktive Regelung zu ermöglichen.
Diese Arbeit stellt einen auf Operator-Learning und Backstepping basierenden Regelungsansatz zur robusten Stabilisierung linearer hyperbolischer PDEs mit Markov-springenden Parametern vor, der durch neuronale Operatoren approximiert wird und dessen mittlere exponentielle Stabilität unter Berücksichtigung von Approximationsfehlern und stochastischen Unsicherheiten theoretisch nachgewiesen sowie im Kontext der Verkehrssteuerung validiert wird.
Die Arbeit stellt SHIELD vor, ein host-unabhängiges Framework, das tiefgehende Dateisystemmerkmale direkt auf der Speicherebene nutzt, um Ransomware-Angriffe mit hoher Genauigkeit zu erkennen und in Echtzeit zu stoppen, ohne dass ein kompromittiertes Betriebssystem die Erkennung umgehen kann.
Die Arbeit widerlegt die Annahme, dass Selektivität in State Space Models zwingend nichtlineare, zeitvariante Dynamiken erfordert, indem sie ein „Geometric SSM" vorstellt, das mittels geometrischer Kontrolltheorie und invarianten Unterräumen eine effiziente, FFT-basierte Selektivität für zeitliche Muster erreicht, ohne die Linearität und Zeitinvarianz des Systems aufzugeben.
Die vorgestellte Arbeit verbessert die Stichprobeneffizienz im Multi-Agenten-Reinforcement-Learning durch einen neuartigen Algorithmus, der eine dekomponierte zentrale Kritiker-Architektur mit einem diversitätsregularisierten Ensemble, einer auf Exzess-Kurtosis basierenden selektiven Exploration und einem abgeschnittenen TD()-Lernverfahren kombiniert, um die Konvergenz auf Standard-Benchmarks wie SMAC II signifikant zu beschleunigen.
Diese Arbeit untersucht die Identifizierbarkeit von Netzwerktopologien nichtlinearer dynamischer Systeme unter partiellen Messungen und zeigt mithilfe der Kontraktionstheorie, dass Halbkontraktion im beobachtbaren Raum ausreicht, um verschiedene Kuramoto-Oszillator-Netzwerke als ununterscheidbar zu klassifizieren.
Diese Arbeit untersucht die Grenzen der eindeutigen Identifizierung der Netzwerkstruktur linearer dynamischer Systeme aus partiellen Messungen, indem sie die Beziehung zwischen nicht unterscheidbaren Netzwerken und dem Nullraum der Beobachtbarkeitsmatrix aufzeigt und zeigt, dass bereits die Beobachtung von über 6 % der Knoten in zufälligen Netzwerkmodellen zu einer korrekten Klassifizierung von etwa 99 % der Kanten führt.
Diese Arbeit stellt einen leichten, modellfreien Ansatz vor, der ausschließlich IMU-, LiDAR- und Steuerungsdaten nutzt, um in Echtzeit sowohl Schlupfereignisse zu erkennen als auch den Reifen-Boden-Reibungskoeffizienten für autonomes Rennfahren zu schätzen.
Diese Arbeit stellt einen Rahmen zur Bewertung von xApp-Konflikten in O-RAN vor, der erklärbare maschinelles Lernen und kausale Inferenz kombiniert, um kausale Zusammenhänge zwischen RAN-Steuerparametern und Leistungsindikatoren zu identifizieren und deren Auswirkungen zu quantifizieren.
Diese Arbeit stellt eine skalierbare, multi-periodische Sparse-Optimierungsmethode vor, die mithilfe von stromkreisbasierten Formulierungen persistierende Schwachstellen in Stromnetzen identifiziert, um proaktiv Blackouts unter zunehmender Lastbelastung zu diagnostizieren und die Resilienz zu stärken.
Dieser Beitrag stellt ein praktisches Framework vor, das mithilfe einer leitfähigen Amplituden- und Phasenmatrix die flexible Emulation mehrerer Ziele mit beliebigen Radarquerschnitten, Entfernungen, Winkeln und Doppler-Profile für ISAC-Basisstationen in Laborumgebungen ermöglicht und dessen Wirksamkeit durch experimentelle Validierung in verschiedenen Betriebsmodi nachweist.
Diese Arbeit stellt ein semantikgesteuertes Fuzzy-Control-Framework vor, das Large Language Models mit interpretierbarer Regelung und semantischer Kommunikation verbindet, um die robuste, GPS-freie kooperative Abdeckung unbekannter Unterwasserumgebungen durch mehrrobotersysteme zu ermöglichen.
Diese Arbeit stellt zwei neue FrBD-Modelle vor, die auf den verallgemeinerten Maxwell- und Kelvin-Voigt-Elementen basieren, und zeigt, dass diese für jede physikalisch sinnvolle Parametrisierung beschränkt und passiv sind, was ihre Eignung für die Regelungstechnik unterstreicht.