331 Arbeiten
Dieser Artikel schlägt einen gemeinwohlorientierten Ansatz vor, bei dem Sozialwissenschaftler in multidisziplinären Teams die Perspektiven verschiedener Interessengruppen einbeziehen, um KI-Modelle zur Analyse von Body-Cam-Aufnahmen der Polizei für eine demokratischere Rechenschaftspflicht zu entwickeln.
Die vorgestellte Arbeit schlägt ein holographisch intelligentes Oberflächen (HIS) gestütztes integriertes Sensing- und Kommunikationssystem (HISAC) mit kontinuierlichen Apertur-Arrays vor, das durch einen alternierenden Optimierungsalgorithmus eine überlegene Zielerkennung bei gleichzeitiger Gewährleistung der Kommunikationsanforderungen im Vergleich zu herkömmlichen diskreten Array-Systemen ermöglicht.
Diese Arbeit stellt ein Ziel-orientiertes Status-Update-Verfahren für die Echtzeit-Ferninferenz über Netzwerke mit Zweiweg-Verzögerung vor, das als semi-Markov-Entscheidungsprozess modelliert wird und durch eine indexbasierte Schwellenwertstrategie die Inferenzgenauigkeit im Vergleich zu herkömmlichen altersbasierten Schemata signifikant verbessert.
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.
Diese Arbeit stellt ein neuartiges Framework für die differentielle Privatsphäre bei der Schätzung von Verteilungsfunktionen vor, das empirische CDFs mittels funktionaler Approximationsmethoden wie Polynomprojektionen und Matching Pursuit in verschiedene Funktionenräume projiziert und deren Koeffizienten privatisiert, um dabei eine hohe Genauigkeit und Effizienz in dezentralen oder Streaming-Szenarien zu gewährleisten.
Diese Arbeit bietet die erste systematische Übersicht über Audio-Sprach-Modelle, die eine umfassende Abdeckung von Sprach-, Musik- und Geräuschdaten, eine einheitliche Taxonomie der Modellarchitekturen und Trainingsziele sowie eine Analyse des Forschungslandschafts mit Blick auf Herausforderungen und zukünftige Richtungen umfasst.
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.
Diese Arbeit stellt einen kompakten, nested-hexagonalen Metamaterial-Sensor vor, der durch seine hohe Empfindlichkeit von 9,55 % und resonante Frequenzen im S- und X-Band eine präzise Bestimmung der Permittivität von Materialien ermöglicht.
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.
Das Paper stellt CoGuide vor, eine Methode, die durch die Formulierung einer glatten, kontrastiven Embedding-Raum-Leitfunktion das Diffusions-Modell-Training für inverse Probleme mit nicht-differenzierbaren und teilweise spezifizierten Vorwärtsoperatoren (wie der Rekonstruktion von Grundrissen aus Bewegungstrajektorien) stabilisiert und robustere Lösungen ermöglicht.
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 ein RDARS-gestütztes Kommunikationssystem vor, das durch die gemeinsame Optimierung von aktiver und passiver Beamforming sowie der Sparsity der verbundenen Elemente die Summenrate maximiert, wobei für spezielle Fälle geschlossene Lösungen abgeleitet und für allgemeine Szenarien ein alternierender Optimierungsalgorithmus vorgeschlagen wird.