3670 Arbeiten
DISC ist ein neuartiger graphenbasierter Clustering-Algorithmus, der lokale geometrische Entropie nutzt, um Affinitätsmetriken zu verzerren und einen sauberen, fragmentierten Graphen zu konstruieren, welcher dann mittels eines tiefenorientierten Flusses in hochreine Attraktorbecken partitioniert und zusammengeführt wird, um eine erstklassige Leistung über verschiedene Datensätze hinweg zu erzielen.
Dieses Paper führt **pn_fir_tau** ein, eine parameterfreie kausale FIR-Glättung von Keys kombiniert mit einem lernbaren, pro Schicht variierenden Schwellenwert, die die „Score-Shift-Pathologie“ in der Rectified Attention behebt, wodurch perfektes assoziatives Abrufverhalten erreicht, Attention Sinks eliminiert und Modelle dazu befähigt werden, nicht beantwortbare Anfragen effektiv zu unterdrücken, während sie gleichzeitig eine State-of-the-Art-Perplexität beibehalten.
Dieses Paper schlägt SPAFNet vor, ein durch semantische Prioren gesteuertes progressives Alignment- und Gated-Bidirectional-Fusion-Netzwerk, das für die Handhabung von nicht ausgerichteter RGB-T-Salient-Object-Detection entwickelt wurde, obwohl seine berichteten Leistungsmetriken auf dem UVT20K-Datensatz vorläufig bleiben und eine statistische Validierung vermissen lassen.
Dieses Paper schlägt das TME LLM OS vor, eine geschlossene Systemengineering-Architektur, die das menschliche theoretisch-mechanistisch-erfahrungswissenschaftliche Framework adaptiert, um durch die Integration von strukturierter Überprüfung, Provenienzverfolgung und gesteuerter Ausführung eine epistemische Korrektur in KI-Agenten zu erzwingen, indem Mismatch-Zustände innerhalb einer begrenzten Episode vor der sicheren Freigabe aufgelöst werden.
STEP-VERIFIER ist ein Process Reward Model, das lernt, einzelne Agentenaktionen durch automatisch synthetisierte paarweise Vergleiche zu verifizieren und während des Trainings dichtes intermediäres Feedback bereitzustellen, was die Leistung von Agenten bei komplexen Tool-Use-Aufgaben signifikant verbessert, ohne dass während des Einsatzes eine Abhängigkeit vom Verifizierer besteht.
Diese Studie nutzt ein Multi-Scale Cellular Automata (MSCA)-Modell, um Fahrzeug-Fußgänger-Konflikte an vierarmigen, signalisierten Kreuzungen zu simulieren und zu analysieren, wobei demonstriert wird, wie eine hierarchische Modellierung räumlicher und zeitlicher Skalen die Ampelphasenstrategien optimieren kann, um gleichzeitig die Effizienz des Verkehrsflusses und die Sicherheit der Fußgänger zu verbessern.
Dieses Paper führt das Feature-Weighted Prioritized Experience Replay (FW-PER) ein, um die durch aleatorische Unsicherheit verursachte „TD-Vergiftung“ im Deep Reinforcement Learning zu diagnostizieren und zu mildern, was letztlich das „Uniform ER Paradoxon“ offenbart, bei dem unter extremer Rauschkorruption eine einfache gleichmäßige Zufallsstichprobe komplexere algorithmische Filterung übertrifft.
Diese Studie nutzt KataGo-Selbstspiel-Simulationen, um die Beziehung zwischen Komi und Spielergebnissen zu modellieren, wobei sie aufzeigt, dass faire Komi-Werte einer logistischen Verteilung folgen und je nach Brettgröße sowie Punktesystem variieren, wodurch traditionelle Annahmen über Halbpunkte-Inkremente und die mathematische Grundlage der Fairness im Go infrage gestellt werden.
Diese Studie zeigt, dass ein durch maschinelles Lernen gesteuertes proaktives Full-Capacity-Protokoll, welches Überfüllung sechs Stunden im Voraus vorhersagt, die Zeit, die Notaufnahmen oberhalb der Überfüllungsschwellenwerte verbringen, sowie die Protokolldauer im Vergleich zur herkömmlichen reaktiven Aktivierung signifikant reduziert, wenngleich es die allgemeinen Wartezeiten oder die Verweildauer nicht signifikant verbessert.
Diese Arbeit zeigt auf, dass eingefrorene CodeBERT-Embeddings Ähnlichkeitssignale für verhaltensmäßig divergente Mutantenpaare systematisch invertieren, indem sie diese fälschlicherweise als ähnlicher bewerten als tatsächlich äquivalenten Code, wodurch offenbart wird, dass solche Embeddings oberflächliche Proximität anstelle von verhaltensmäßiger Äquivalenz widerspiegeln und ein kontrastives Fine-Tuning oder eine exekutionsbasierte Verifizierung für eine zuverlässige Code-Analyse erforderlich machen.