Agenten-basierte Matrixdeflation: Ein neuer, Schwellenwert-freier Ansatz

In einer wegweisenden Studie wird ein komplett agentenorientierter Ansatz zur Matrixdeflation vorgestellt, der klassische Schwellenwertkriterien überflüssig macht. Dabei arbeitet ein großes Sprachmodell (LLM) als Solver, das schrittweise rank‑1‑Updates der Singulärwertzerlegung (SVD) generiert, während ein Vision‑Language‑Modell (VLM) jedes Update prüft, annimmt oder ablehnt und letztlich entscheidet, wann der Prozess beendet werden soll.

Die Stabilität des Lösungsprozesses wird durch In‑Context‑Learning (ICL) und gezielte Zeilen‑ und Spalten‑Permutationen verbessert, die eine visuell kohärente Struktur der Matrix hervorheben. Dadurch kann das System die eigentliche Rangstruktur besser erkennen und die Updates gezielt anpassen.

Die Methode wurde auf verschiedenen Datensätzen getestet: 8×8‑Digits, 32×32‑CIFAR‑10‑Graustufenbilder und synthetische 16×16‑Matrizen, jeweils mit und ohne Gaussian‑Rauschen. Im synthetischen, verrauschten Szenario, bei dem der wahre Rang bekannt ist, erreichte die agentenbasierte Konfiguration einen RMSE von nur 1,75 Punkten gegenüber dem Zielwert. Für Digits und CIFAR‑10 wurde das Deflationsziel definiert als das Erreichen von 10 % des ursprünglichen Frobenius‑Norms, wobei die Agenten ebenfalls konkurrenzfähige Ergebnisse lieferten.

Die Ergebnisse zeigen, dass eine vollständig agentenbasierte, Schwellenwert‑freie Deflation nicht nur praktikabel, sondern auch leistungsfähig ist und eine attraktive Alternative zu herkömmlichen numerischen Algorithmen darstellt.