Arbeiten, bei denen die ursprünglichen Autoren unsere verständliche Erklärung begutachtet haben.
Bei jeder Arbeit auf dieser Seite hat mindestens ein/e der ursprünglichen Autor*innen unsere verständliche Erklärung gesehen und begutachtet — entweder durch Bestätigung der Genauigkeit oder durch Korrekturwünsche, die wir anschließend umgesetzt haben. Eine Bestätigung bedeutet keine formelle Freigabe jedes Satzes, aber die Erklärung ist von den Menschen geprüft worden, die das Paper geschrieben haben.
1209 von Autoren geprüfte Arbeiten · 761–770 / 1209
Dieser Artikel schlägt vor, dass verzögerte Radiofackeln bei Gezeitenzerstörungsereignissen durch massive, langsame Ausflüsse verursacht werden, die entstehen, wenn ein bereits bestehender stellare Extreme-Mass-Ratio-Inspiral Jahre nach der initialen Zerstörung mit einer expandierenden Akkretionsscheibe kollidiert.
Dieser Artikel demonstriert die experimentelle Beobachtung und elektrische Kontrolle der chiralen Inversion in einer Slow-Light-Photonik-Kristallwellenleiter, wobei die Emissionswellenlänge eines eingebetteten Quantenpunkts über den Stark-Effekt so abgestimmt wird, dass das Vorzeichen des Richtungs-Emissionskontrasts an einem spezifischen Punkt der chiralen Inversion umgeschaltet wird.
Dieser Artikel stellt ein vollständiges Wörterbuch zwischen den Newman-Penrose- und den 1+1+2-semitetradkovarianten Formalismen her, indem er alle Spin-Koeffizienten und Krümmungsskalare durch 1+1+2-Variablen ausdrückt, wodurch eine geometrische Interpretation der Newman-Penrose-Größen ermöglicht und notwendige Bedingungen für zukünftige äußere Einfanghorizonte in lokal rotationssymmetrischen Raumzeiten hergeleitet werden.
Dieser Artikel nutzt Sparse Autoencoder, um zu zeigen, dass Low-Rank Adaptation (LoRA)-Fine-Tuning innerhalb von Sprachmodellen distinkte Repräsentationsstrukturen induziert, die geometrisch mit vortrainierten Merkmalsdictionaries nicht übereinstimmen, was darauf hindeutet, dass adapter-spezifische Updates teilweise einzigartige Räume im residualen Strom einnehmen.
Dieser Artikel leitet die allgemeinsten Verbindungsbedingungen für (1+1)-dimensionale freie skalare Netzwerkkonforme Feldtheorien her, die durch eine -Gruppe charakterisiert sind, stellt ihre physikalischen Realisierungen vor und leitet strenge Schranken für die Netzwerkkasimir-Energie ab, während er deren Implikationen für reguläre polyedrische Strukturen analysiert.
Dieser Artikel stellt multibandige Beobachtungen und hydrodynamische Modellierungen der außergewöhnlich schwachen Typ-IIP-Supernova SN 2024abfl in NGC 2146 vor, die zeigen, dass sie das Ergebnis einer energiearmen Kernkollaps-Explosion eines kompakten, massearmen Vorläufers ist, was neue Einschränkungen für die Mechanismen solcher Ereignisse liefert.
Dieser Artikel schlägt ein neuartiges Offline-Multi-Agenten-Reinforcement-Learning-Framework vor, das Verteilungsverschiebungen und multimodale Koordinationsherausforderungen in kooperativen Aufgaben durch den Einsatz einer sequenziellen Score-Zerlegungsmethode in Kombination mit diffusionsbasierten generativen Modellen adressiert, um Policy-Updates in Richtung hochbelohnter, in-Verteilung liegender Regionen zu lenken und damit einen State-of-the-Art-Performance über diverse Benchmarks zu erreichen.
Dieser Artikel konstruiert zwei super-integrable Hierarchien und ihre Hamiltonschen Strukturen basierend auf der Lie-Superalgebra osp(1,6) mittels nicht-isospektraler Probleme und leitet anschließend eine (2+1)-dimensionale Verallgemeinerung der super-AKNS-Hierarchie durch Reduktion dieser Systeme unter spezifischen Bedingungen ab.
Dieser Artikel stellt die überwachte distributionsbasierte Reduktion (SDR) vor, einen neuartigen Algorithmus, der Optimalen Transport mit der expliziten Maximierung von Abhängigkeiten integriert, um kompakte, zielgerichtete Repräsentationen zu erlernen, die gleichzeitig die intrinsische Datengeometrie und das prädiktive Signal bewahren und zudem die Konstruktion adaptiver, nicht-stationärer Kernel für nachgelagerte Aufgaben wie die Modellierung mit Gauß-Prozessen ermöglichen.
BIRDNet ist ein interpretierbares tiefes neuronales Netzwerk, das boolesche Implikationsbeziehungen aus tabellarischen Daten extrahiert, um eine spärliche, strukturell eingeschränkte Architektur zu konstruieren, die mit deutlich weniger Parametern wettbewerbsfähige Leistung erzielt und gleichzeitig die direkte Gewinnung biologisch sinnvoller Regeln ohne externe Prioritäten ermöglicht.