KI News: Kurz und klar.

In einer neuen Veröffentlichung auf arXiv wird gezeigt, wie neuronale Netzwerke so trainiert werden können, dass sie auch bei erheblichen Störungen ihrer Gewichte zuverlässig funktionieren. Das Ziel ist besonders relevant für zukünftige Low‑Power‑Hardware, bei der interne Rauschen und Hardware‑Fehler unvermeidlich sind.

In einer neuen Studie wird PurSAMERE vorgestellt, ein deterministisches Verfahren zur Adversarial‑Purification, das die Robustheit von Klassifikatoren deutlich erhöht. Das Verfahren wandelt ein potenziell kompromittiertes Bild in ein benachbartes Sample um, das nahe an einem Modus der Datenverteilung liegt – dort sind Klassifikatoren zuverlässiger. Durch die deterministische Natur bleibt die Test‑Genauigkeit stabil und verhindert die Schwächung der effektiven Robustheit, die bei stochastischen Ansätzen auftreten kann, wenn der Angreifer die Systemrandomität kennt.

Ein brandneues Verfahren namens FedWMSAM verspricht, die beiden zentralen Herausforderungen des Federated Learning – schnelle Konvergenz bei begrenzten Kommunikationsressourcen und gute Generalisierung über heterogene Client‑Daten – gleichzeitig zu meistern. Durch die Kombination von Momentum‑Beschleunigung und Sharpness‑Aware Minimization (SAM) soll die Modellleistung deutlich gesteigert werden.

Ein neues arXiv-Papier beleuchtet die Dynamik von Optimierungsalgorithmen in tiefen neuronalen Netzen und liefert wichtige Erkenntnisse für die Praxis des maschinellen Lernens.

In der nächsten Generation von Mobilfunknetzen spielt die Open Radio Access Network (O‑RAN) Architektur eine zentrale Rolle. Durch den RAN Intelligent Controller (RIC) können Netzwerkressourcen dynamisch verwaltet werden, was die Effizienz und Flexibilität der Infrastruktur deutlich erhöht.