262 Arbeiten
Diese Arbeit liefert eine umfassende statistische Analyse des „Einstein aus Rauschen"-Phänomens, bei dem durch die Ausrichtung und Mittelung reiner Rauschdaten auf ein Template ein scheinbares Signal entsteht, indem sie zeigt, dass die Fourier-Phasen des Schätzers gegen die des Templates konvergieren und so die beobachtete strukturelle Ähnlichkeit erklären.
Die Autoren stellen eine modellbasierte Bildkomprimierungsmethode vor, die auf trainierten Modellen zur Synthese neuer Ansichten und Gradientenabstiegs-Optimierung basiert, um die Echtzeit-Übertragung von Bildern für ferngesteuerte Unterwasserfahrzeuge über akustische Kanäle mit begrenzter Bandbreite zu ermöglichen.
Dieser Artikel stellt eine Methode vor, die durch die Formulierung als konvexes semidefinites Programm die Verteilungsverschiebungen von Modellparametern unter robusten Steuerungs- und Gain-Scheduling-Ansätzen bei nichtlinearen Systemen eindämmt, indem sie den geschlossenen Regelkreis mit den Lern-Daten konsistent hält und Änderungen im Zustands-Eingangsraum verlangsamt.
Diese Arbeit stellt drei neue inhaltsbewusste Strategien für cache-gestützte asymmetrische MIMO-Kommunikation vor, die durch die gemeinsame Optimierung der Nutzeranzahl und der Datenströme die erreichbaren Freiheitsgrade (DoF) signifikant steigern.
Die vorgestellte Arbeit entwickelt ein semantisches Kommunikationssystem für MIMO-Rayleigh-Fading-Kanäle, das durch eine entropie- und kanaladaptive Übertragungsrate sowie den Einsatz eines mit LoRA feinabgestimmten multimodalen großen Sprachmodells (MLLM) zur Kompensation verlorener Merkmale sowohl die Ressourceneffizienz als auch die Aufgabenleistung optimiert.
Die Autoren stellen einen neuartigen Algorithmus zur Verifikation nichtlinearer neuronaler Feedback-Systeme vor, der durch die Berechnung enger polyedrischer Hüllen und deren Kodierung als gemischt-ganzzahliges lineares Programm eine um eine Größenordnung effizientere und sichere Analyse des Erreichbarkeitsverhaltens ermöglicht.
Diese Arbeit stellt einen neuen Rahmen mit gefilterten Kontrollbarrierefunktionen (FCBFs) vor, der durch die Integration eines Eingangsregularisierungsfilters in ein einheitliches quadratisches Programm gleichzeitig Sicherheit, Eingangsbeschränkungen und Lipschitz-Stetigkeit der Steuersignale in sicherheitskritischen Systemen garantiert.
Dieses Paper stellt ein verteiltes modellprädiktives Regelungskonzept für die dynamische Kooperation heterogener, nichtlinearer Multi-Agenten-Systeme vor, das durch optimierte Interaktionen eine gemeinsame Zielfunktion erfüllt und dabei reziproke Machbarkeit sowie asymptotische Stabilität garantiert.
Die vorgestellte Arbeit stellt S2S-ZEST vor, ein textloses und nicht-paralleles Framework für das Zero-Shot-Emotionsstil-Transfer, das emotionale Merkmale aus einer Referenz auf eine Quelle überträgt, während Inhalt und Sprecheridentität erhalten bleiben, und dabei sowohl die Leistung als auch Anwendungen zur Daten-Augmentierung demonstriert.
Diese Arbeit stellt einen hybriden Ansatz vor, der aktives Lernen zur Optimierung der Eingangssteuerung für eine verbesserte Winkel-only-Orbitbestimmung nutzt, um die Unsicherheit zu minimieren und einen nahtlosen Übergang zu einem erweiterten Kalman-Filter für die autonome Rendezvous-Steuerung zu ermöglichen.
Diese Arbeit stellt den TI-DANSE+-Algorithmus vor, der die langsame Konvergenz des bestehenden TI-DANSE-Ansatzes in drahtlosen akustischen Sensornetzwerken durch die Nutzung partieller Summen und eine Baumschnittstrategie überwindet und dabei die Vorteile des ursprünglichen DANSE-Algorithmus mit einer bandbreiteneffizienteren, topologieunabhängigen Peer-to-Peer-Kommunikation vereint.
Dieser Artikel untersucht eine effiziente Finite-Horizont-Näherung für Feedback-Nash-Gleichgewichte in unendlich-horizontigen linearen quadratischen Spielen, indem er hinreichende Bedingungen für die Eindeutigkeit herleitet, einen Algorithmus zur Berechnung vorschlägt und die Konvergenz der Kosten sowie eine explizite Fehlerschranke nachweist.
Die Arbeit stellt Human-CLAP vor, ein auf menschlicher Wahrnehmung basiertes kontrastives Sprach-Audio-Pretraining-Modell, das die Korrelation zwischen CLAPScore und subjektiven menschlichen Bewertungen im Vergleich zu herkömmlichen CLAP-Modellen signifikant verbessert.
Diese Arbeit präsentiert eine hardwarebasierte Validierung der Winkel-Droop-Regelung für netzbildende DC/AC-Wandler, die durch die Kombination von Primär- und Sekundärregelung eine exakte Frequenzregelung ermöglicht und dabei experimentell Implementierungsherausforderungen wie Diskretisierung und Uhrenabweichungen adressiert.
Diese Arbeit stellt ein POMDP-Framework für die Echtzeit-Fernverfolgung einer Markov-Quelle durch heterogene Sensoren mit zustandsabhängiger Genauigkeit vor, das durch approximative Algorithmen wie RVIA und IPA gelöst wird, um die langfristigen Kosten aus Verzerrung und Übertragung zu minimieren.
Diese Studie stellt ein Paradigma vor, um Menschen und Maschinen bei multilingualen Sprachverständnisaufgaben zu vergleichen, und zeigt, dass Menschen in ihrer Muttersprache eine überlegene selektive Aufmerksamkeit aufweisen, während Sprach-LLMs bei sauberen Eingaben besser abschneiden, aber bei überlagerten Sprachsignalen oft an der Fähigkeit zur selektiven Fokussierung scheitern.
Die Studie bewertet 17 vortrainierte Sprachembedding-Systeme zur Erkennung von Dysarthrie über sechs heterogene Datensätze hinweg und zeigt, dass die stark variierenden und oft nicht generalisierbaren Ergebnisse die klinische Validität von Modellen, die nur auf denselben Daten trainiert und getestet wurden, infrage stellen.
Der vorgeschlagene neuronale Empfänger mit axialer Selbstattention für drahtlose Systeme erreicht durch die Faktorisierung der Aufmerksamkeitsoperationen entlang der zeitlichen und spektralen Achsen eine signifikante Reduktion der Rechenkomplexität bei gleichzeitigem State-of-the-Art-Block-Fehlerrate-Verhalten im Vergleich zu herkömmlichen globalen Selbstattention- und Faltungsnetzwerken.
Diese Arbeit stellt ein noise-conditioned Mixture-of-Experts-Framework vor, das durch spezialisierte, rauschbewusste Subräume und ein SNR-abnehmendes Curriculum-Learning die Robustheit der Sprechererkennung unter verschiedenen Störgeräuschen signifikant verbessert.
Die Arbeit stellt IMAS vor, einen Algorithmus, der in Dec-POMDPs die Auswahl von Sensoren und die Synthese von dezentralen aktiven Wahrnehmungspolitiken durch eine zweistufige Optimierung vereint und dabei auf submodularen informationstheoretischen Zielen sowie einer -Approximationsgarantie basiert.