Von Autoren geprüfte Arbeiten

Machine Learning for Predicting the Proton Structure Function $F_2^P$ in QCD

Diese Arbeit präsentiert eine Vergleichsstudie, die zeigt, dass Multilayer-Perzeptron- und Gauß-Prozess-Regressionsmodelle, die auf BCDMS-Experimentaldaten trainiert wurden, die Protonenstrukturfunktion $F_2^p$ effektiv vorhersagen, indem sie komplexe nichtlineare QCD-Dynamiken erfassen, ohne die DGLAP-Evolutionsgleichungen lösen zu müssen.

Non-equilibrium thermodynamics of collapse models in the strongly non-Gaussian regime

Diese Arbeit etabliert rigoros die thermodynamische Konsistenz des dissipativen Diósi-Penrose-Kollapsmodells im stark nicht-gaußschen Regime, indem sie einen neuartigen exakten pseudospektralen Simulationsansatz verwendet, um zu demonstrieren, dass das System in einen Nichtgleichgewichts-Stationärzustand mit einer asymptotischen Nicht-Gaußförmigkeit einschwingt, die als Kubus des Dissipationsparameters skaliert, wodurch das unphysikalische Aufheizungsproblem gelöst und gleichzeitig die Notwendigkeit exakter numerischer Methoden zur Erfassung kritischer Verteilungsschwänze bestätigt wird.

Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction

Das Papier stellt CausalLongPFN vor, ein eingefrorenes, auf synthetischen temporalen Kausalmodellen vortrainiertes Prior-Fitted Network, das kontrafaktische longitudinale Ergebnisse ohne domänenspezifisches Training vorhersagt und dabei eine wettbewerbsfähige Leistung bei Benchmarks wie Krebs, HIV und MIMIC-III zeigt, während es gleichzeitig eine kosteneffiziente Alternative zur traditionellen kohortenspezifischen Modellierung bietet.

Emergent Language as an Approach to Conscious AI

Dieses Paper schlägt eine generative Methodik unter Verwendung emergenter Sprache in Multi-Agenten-Reinforcement-Learning vor, um künstliches Bewusstsein zu untersuchen, indem es demonstriert, wie Agenten, die ohne menschliche Sprach-Priors starten, durch rein auf Aufgabenanforderungen und Umwelt-Affordanzen basierende Prozesse eine selbstreferenzielle Kommunikation und neuartige kognitive Strukturen entwickeln können.

The Discovery of an Active Wind from the Milky Way's Black Hole

Unter Verwendung beispiellos tiefer und hochauflösender ALMA-Beobachtungen haben Forscher eine große, konische Aussparung im kalten Molekulargas in der Umgebung von Sagittarius A* entdeckt, die den ersten direkten Beweis für einen aktiven Wind des zentralen Schwarzen Lochs der Milchstraße liefert.

Would you still call this Dax? Novel Visual References in VLMs and Humans

Analytic patch trees: branch interface inheritance and fractal dimension fields

Diese Arbeit verallgemeinert analytische fraktale Kurvenbäume zu höherdimensionalen Oberflächenpatch-Bäumen, indem sie Verzweigungspunkte durch Interface-Mannigfaltigkeiten ersetzt, die analytische Zustände übertragen, wodurch Bedingungen für Integrabilität, Konformität und Selbstähnlichkeit etabliert werden, während gleichzeitig ein glattes Dimensionsfeld durch die natürliche Foliierung der Bäume in Kurvenstrukturen eingeführt wird.

Let It Be Simple: One-Step Action Generation for Vision-Language-Action Models

Diese Arbeit zeigt, dass eine starke Einschritt-Aktionsgenerierung für Vision-Language-Action-Modelle allein durch das Biasen der Trainingszeitverteilung hin zu Zuständen mit hohem Rauschen erreicht werden kann, wodurch die Notwendigkeit komplexer Destillation oder Hilfsziele, die typischerweise in der Bildsynthese erforderlich sind, entfällt und gleichzeitig die Leistung von Mehrschritt-Diffusions-Policies erreicht oder übertroffen wird.

Catastrophic Forgetting as Accessibility Collapse: A Three-Level Framework for Knowledge Persistence in Continual Learning

Dieses Paper schlägt ein dreistufiges Framework vor, das zwischen Wissensspeicherung, Repräsentation und Zugänglichkeit unterscheidet, um zu demonstrieren, dass katastrophales Vergessen beim kontinuierlichen Lernen primär ein Versagen der Zugänglichkeit und kein vollständiges Löschen der Repräsentation ist, wie die Persistenz von Aufgabeninformationen in neuronalen Repräsentationen belegt, die durch einfaches Retraining des Klassifikators wiederhergestellt werden können.

Learning to Contest: Decentralized Robust Fairness in Cooperative MARL via Cross-Attention

Dieses Paper stellt CAN vor, eine dezentrale Cross-Attention-Policy für kooperatives Multi-Agenten-Reinforcement-Learning, die durch das dynamische Ableiten der Anzahl an Free-Ridern und deren proportionale Bekämpfung eine robuste Fairness sowie hohe Effizienz erreicht und dadurch die Schwachstellen bestehender Fair-Learner überwindet, ohne einen zentralisierten Allokator zu benötigen.