6587 Arbeiten
Das Paper stellt FastSTAR vor, ein training-freies Beschleunigungsframework für die autoregressive Videosynthese, das durch spatiotemporales Token-Pruning und partielle Updates redundante Berechnungen eliminiert und so eine bis zu 2,01-fache Geschwindigkeitssteigerung bei minimaler Qualitätsverlust erreicht.
Die Arbeit stellt Re² vor, eine Reinforcement-Learning-Methode, die Large Language Models befähigt, unproduktive Denkpfade zu erkennen und durch Neustarts zu ersetzen, wodurch die Effizienz und Genauigkeit von Schlussfolgerungen im Vergleich zu herkömmlichen RLVR-Ansätzen erheblich gesteigert wird.
Die vorgestellte Arbeit stellt ein vollständig onboardes, visuell geführtes Regelungsframework vor, das mithilfe eines neuartigen neuronalen Signed-Distance-Fields (Gate-SDF) und eines MPPI-Controllers agile Drohnenflüge durch beliebig platzierte und orientierte Tore ohne vordefinierte Referenzpfade ermöglicht.
Diese Studie stellt einen kollaborativen Ansatz vor, bei dem mehrere lokale Large Language Models durch Mehrheitsvoting eingesetzt werden, um in über 65.000 Fedora-Paketen effizient kryptografisch relevante Software zu identifizieren und so den Übergang zur Post-Quanten-Kryptografie zu unterstützen.
Diese Studie untersucht anhand von Daten aus ghanaischen Universitäten, wie soziale Normen, Abschreckung und Einbindungsmechanismen wie Wissensaustausch die Einstellung von befristet Beschäftigten zu Informationssicherheitsrichtlinien und deren Compliance-Absichten beeinflussen, wobei der Wissensaustausch als stärkster Faktor identifiziert wurde.
Die Studie stellt eine neuartige Miniatur-Gehirn-Transformer-Architektur vor, die zeigt, dass funktionelle Hemisphären-Lateralisierung erst durch die synergistische Kombination von präfrontalem Arbeitsgedächtnis und inhibitorischer Kopplung ausgelöst wird, was als entscheidender Symmetrie-Brecher für die Bildung hierarchischer persistenter Speicher dient.
Das Paper stellt VINO vor, einen selbstüberwachten Lernansatz, der durch einen strukturellen Prior und asymmetrische Destillation in Video-Daten die Abhängigkeit von Kontext-Clues reduziert und robuste, objekzzentrierte Repräsentationen erlernt, die die Leistung bestehender Baselines bei der unsupervisierten Objekterkennung deutlich übertreffen.
Diese Forschungsarbeit stellt ein hybrides Learning-to-Rank-System vor, das mithilfe von Deep Learning und Social-Context-Embeddings Stack-Overflow-Daten analysiert, um Entwicklern bei der Suche nach Lösungen für Softwarefehler zu helfen und dabei eine Trefferquote von nahezu 78 % für die zehn besten Antworten erreicht.
Das Paper stellt BATDiff vor, ein unüberwachtes Diffusionsmodell, das mithilfe einer bivariaten A-Trous-Wavelet-Transformation strukturierte skalenübergreifende Anleitung bietet, um bei der Single-Image-Super-Resolution schärfere und strukturell konsistentere Ergebnisse mit weniger Artefakten zu erzielen.
Diese Arbeit definiert das Problem der Suche nach neuen Tabellen (Novel Table Search) in Data Lakes, schlägt einen NP-schweren Optimierungsansatz vor und entwickelt mit ANTs eine effiziente Approximation, die in Experimenten andere Methoden bei der Erfassung syntaktischer Neuheit und der Ausführungszeit übertrifft.
Das Paper stellt HY-WU (Weight Unleashing) vor, ein erweiterbares, funktional neuronales Speicherframework, das die Anpassung von Basismodellen durch die synoptische Generierung instanzspezifischer Gewichts-Updates auf Basis von Bedingungen ermöglicht, anstatt statische Parameter zu überschreiben, um so kontinuierliches Lernen und Personalisierung ohne Interferenz zu unterstützen.
Diese Arbeit stellt ein Fahrzeug-zu-Netz-Koordinierungsframework vor, das auf dem Soft Actor-Critic-Algorithmus basiert, um durch eine zweiphasige Trainingsstrategie die Spannungsregelung in Ein- und Mehr-Hub-Systemen unter Berücksichtigung von Batteriezustands- und Flottenverfügbarkeitsbeschränkungen zu optimieren.
Das Paper stellt FabricGen vor, ein End-to-End-Framework, das durch die Kombination eines auf textfreien Stoffen feinabgestimmten Diffusionsmodells für Makrostrukturen und eines durch ein spezialisiertes WeavingLLM gesteuerten prozeduralen Modells für Mikrostrukturen realistische, textgesteuerte Webstoffmaterialien mit detaillierten Garnstrukturen generiert.
Die Arbeit stellt PresentBench vor, ein fein abgestimmtes, rubrikbasiertes Benchmark-System zur Evaluierung der automatisierten Erstellung von Präsentationsfolien, das durch detaillierte Checklisten eine genauere Bewertung ermöglicht und zeigt, dass NotebookLM andere Methoden deutlich übertrifft.
Die Arbeit stellt LEPA vor, eine Architektur, die durch das direkte Vorhersagen transformierter Embeddings unter Berücksichtigung geometrischer Augmentierungen die Unzuverlässigkeit herkömmlicher Interpolationsverfahren in Geospatial-Grundmodellen überwindet und so präzise geometrische Anpassungen ohne Neu-Encoding ermöglicht.
Die Studie stellt einen neuen hierarchischen Ansatz vor, der Imitations- und Verstärkungslernen kombiniert, um Agenten mit heterogenen Zielen zu befähigen, situationsabhängig zu entscheiden, ob sie kooperieren oder allein handeln, und zeigt dabei eine Überlegenheit gegenüber bestehenden Methoden.
Die Arbeit stellt VASR vor, ein multimodales System, das durch einen Audio-Visuellen Chain-of-Thought (AV-CoT) reiche visuelle Kontextinformationen wie Szenen und Bildschirmtext nutzt, um die Spracherkennung zu verbessern und das Problem der einseitigen Abhängigkeit von einer einzelnen Modalität zu lösen.
Die Arbeit stellt ein kinematikbewusstes latentes Weltmodell vor, das durch die Integration von Fahrzeugkinematik und geometrischer Überwachung die Dateneffizienz und Fahrleistung beim autonomen Fahren im Vergleich zu bestehenden Methoden verbessert.
Diese umfassende Übersicht analysiert netzwerkbewusste Modellierungs-, Optimierungs- und Steuerungsmethoden für integrierte Energiesysteme, identifiziert methodische Grenzen hinsichtlich Skalierbarkeit und Garantien und leitet daraus Forschungsrichtungen für effiziente, koordinierte Betriebskonzepte ab.
Die Studie zeigt, dass „Trace-Inversion"-Modelle detaillierte synthetische Denkprozesse allein aus Eingaben, Antworten und kurzen Zusammenfassungen rekonstruieren können, wodurch sich das Reasoning-Verständnis von Schülermodellen durch Feinabstimmung auf diese abgeleiteten Spuren erheblich verbessern lässt, selbst bei kommerziellen Black-Box-Modellen.