172 Arbeiten
Diese Arbeit stellt mit dem „Reconstruction Advantage" ein einheitliches Risikomaß vor, das die irreführenden Grenzen bestehender Ansätze überwindet und eine präzisere Rauschkalibrierung sowie systematische Audits für Differential Privacy ermöglicht.
Das Papier stellt STAMP vor, ein Framework für die textbasierte Privatsphäre, das durch eine token-spezifische Zuweisung von Privatsphärenbudgets und einen polarisierten Mechanismus zur Störung von Embeddings eine überlegene Balance zwischen Datenschutz und Nutzen für nachgelagerte Aufgaben erreicht.
Dieses Papier stellt HyGAMP vor, einen hybriden Algorithmus, der durch die Aufteilung von Abhängigkeiten in starke und schwache Kanten in allgemeinen grafischen Modellen eine effiziente Kombination aus approximativer Nachrichtenaustausch-Methodik und Standard-Message-Passing ermöglicht, um die Komplexität von Inferenzproblemen bei gleichzeitig anpassbarem Leistungs-Niveau zu reduzieren.
Die Studie zeigt, dass in einem bayesschen Team-Entscheidungsmodell mit gleichgewichtiger Abstimmung die optimale Teamleistung erreicht wird, wenn alle Vorab-Entscheidungen ignoriert und geheime Stimmabgaben bevorzugt werden, wodurch soziales Lernen in diesem Kontext als nutzlos erweist.
Die Studie zeigt, dass es in sequenziellen bayesschen Entscheidungsprozessen optimal sein kann, wenn frühe Agenten absichtlich ungenaue Prior-Wahrscheinlichkeiten verwenden, um ihre Entscheidungen informativer für nachfolgende Agenten zu gestalten und so die Gesamtleistung zu maximieren.
Die Autoren beweisen, dass eine breite Klasse von Zuständen, die als super-zwei-erweiterbar bezeichnet wird und unter anderem gelöschte sowie vollrangige Zustände umfasst, für die heraldische exakte einseitige Geheimnis- und Verschränkungsdistillation unbrauchbar ist, wodurch eine extreme Diskrepanz zwischen diesem exakten und dem üblichen approximativen Verfahren aufgedeckt wird.
Diese Arbeit verallgemeinert den Ziv-Merhav-Satz zur universellen Schätzung der spezifischen Kreuzentropie von Markov-Maßen auf eine breitere Klasse entkoppelter Maße, einschließlich regulärer g-Maße und Gleichgewichtszustände aus der mathematischen statistischen Mechanik.
Dieser Artikel untersucht das Potenzial generativer Diffusionsmodelle (GDM) für Massive-MIMO-Kommunikation, indem er einen Überblick über die Technologie bietet, eine Fallstudie zur Kanalschätzung im Nahfeld vorstellt und zukünftige Herausforderungen sowie Forschungsrichtungen aufzeigt.
Diese Arbeit stellt ein diskretes mathematisches Rahmenwerk vor, das mittels grobkörniger Partitionen und eines KL-basierten Informationsverlustmaßes die Abwägung zwischen Interpretierbarkeit und Informationsgenauigkeit in erklärbarer KI quantifiziert.
Die vorliegende Arbeit untersucht ein auf kontinuierlichen Apertur-Arrays (CAPA) basierendes Mehrgruppen-Multicast-Kommunikationssystem, entwickelt effiziente Algorithmen zur Maximierung der Energieeffizienz unter Berücksichtigung von Kanalkonstanten und zeigt, dass CAPA zwar die Energieeffizienz im Vergleich zu diskreten Arrays steigern kann, jedoch eine größere Aperturgröße oder breitere Nutzerverteilungen nicht immer vorteilhaft sind.
Dieses Papier entwickelt eine theoretische Grundlage für die Lösung der Navier-Stokes-Gleichungen unter axialer Symmetrie in einer Zylinder-Topologie durch die Zerlegung des Strömungsfeldes in eine Basis aus Beltrami-, Anti-Beltrami- und geschlossenen Formen, wobei die Bestimmung der Entwicklungskoeffizienten für zukünftige Physik-informierte neuronale Netzwerke vorgesehen ist.
Die Arbeit stellt neue kodierte verteilte Berechnungsschemata für Ringnetzwerke vor, die durch Ausnutzung der Ringtopologie und redundanter Berechnungen die Kommunikationslast minimieren und für die Fälle „All-Gather" sowie „All-to-All" asymptotisch optimale Trade-offs zwischen Kommunikationslast, Berechnungslast und Sendedistanz nachweisen.
Die Arbeit stellt mit xBound das erste theoretische Framework zur Berechnung beweisbarer unterer Schranken für Join-Größen vor, um das kritische Problem der systematischen Unterschätzung in Datenbank-Optimierern zu adressieren und damit in industriellen Systemen wie Microsoft Fabric signifikante Leistungssteigerungen zu erzielen.
Diese Arbeit stellt Algorithmen für das Online-Konformale Vorhersagen bei nicht-stationären Datenströmen vor, die durch Drifterkennung adaptiv Kalibrierungsdaten aktualisieren und damit minimax-optimale trainingsbedingte Regret-Garantien für abrupte Änderungen sowie glatte Drifts erreichen.
Diese Arbeit untersucht eine neuartige Familie geometrischer analoger Fehlerkorrekturcodes für crossbar-basiertes In-Memory-Computing und entwickelt eine geometrische Analyse, die deren m-Höhenprofile charakterisiert, um den begrenzten verfügbaren Codeumfang für die Behandlung mehrerer Ausreißer zu erweitern.
Die Studie stellt ein neues Framework namens Dictionary Based Pattern Entropy (DPE) vor, das mithilfe von algorithmischer und Shannon-Informationstheorie kausale Richtungen in symbolischen Zeitreihen durch die Minimierung der Unsicherheit von mustergesteuerten Strukturen zuverlässig identifiziert.
Diese Arbeit führt eine neue Klasse glatter bedingter Entropien ein, die auf gemessenen Rényi-Divergenzen basieren, um eine verschärfte One-Shot-Analyse der Quanten-Privatsphärenverstärkung zu ermöglichen und dabei sowohl die besten bekannten asymptotischen Ergebnisse als auch eine optimale zweite Ordnungsentwicklung zu erreichen.
Dieser Artikel liefert vollständige diagrammatische Axiomatisierungen der Kullback-Leibler-Divergenz und allgemeiner Rényi-Divergenzen beliebiger Ordnung im Rahmen der quantitativen monoidalen Algebra, indem er relative Entropie aus kategorientheoretischer Sicht als quantitative Erweiterung von Kategorien stochastischer Matrizen unter den monoidalen Strukturen des Kronecker-Produkts und der direkten Summe untersucht.
Diese Arbeit schlägt einen hybriden Ansatz vor, der theoretische Modellierung mit empirischem Benchmarking kombiniert, um die optimale Anzahl von Prefill- und Decode-Ressourcen für die LLM-Inferenz unter Berücksichtigung von Durchsatzanforderungen, SLOs und Anfragecharakteristika zu bestimmen.
Dieser Beitrag stellt eine direkte, geometrische Methode zur Set-Membership-Lokalisierung vor, die auf unbekannt aber beschränkten Messfehlern basiert und durch effiziente konvexe Optimierung ein garantiertes, konvexes Äußeres (wie einen Würfel oder eine Ellipse) für die nichtkonvexe Menge aller mit den Entfernungsdaten konsistenten Positionen berechnet.