meineki.news Logo
meineki.news
KI News. Verstehen, was wichtig wird.
Anmelden
Suche

Finde Modelle, Firmen und Themen

Suche im News-Archiv nach Themen, die du dauerhaft verfolgen willst.

Ergebnisse für “MBA”
Forschung

<p>Temporal imbalance erklärt Bias bei Class-Incremental Learning</p> <p>Mit der zunehmenden Verbreitung von Deep‑Learning in Bildverarbeitungsaufgaben gewinnt das Paradigma des Class‑Incremental Learning (CIL) immer mehr an Bedeutung. Dabei steht die Herausforderung des „catastrophic forgetting“ im Fokus: Modelle neigen dazu, neue Klassen zu bevorzugen und die Leistung auf älteren Klassen zu verlieren. Bisher wurde dieser Bias vor allem auf ein Ungleichgewicht innerhalb einzelner Aufgaben zurückgeführt und
arXiv – cs.LG
Forschung

<h1>Benchmark: Kein Modell ist immer das Beste für US-Stromnetz-Vorhersagen</h1> <p>Die Auswahl des passenden Deep‑Learning‑Modells für die Vorhersage von Stromnetzlasten bleibt eine Herausforderung, weil die Leistung stark von den verfügbaren Daten abhängt. In einer neuen Studie wurden fünf moderne Architekturen systematisch miteinander verglichen.</p> <p>Zu den getesteten Modellen gehören zwei State‑Space‑Modelle (PowerMamba und S‑Mamba), zwei Transformer‑Varianten (iTransformer und PatchTST) sowie ein kl
arXiv – cs.LG
Forschung

<h1>IMOVNO+: Neues Framework für ungleiche Mehrklassen‑Lernaufgaben</h1> <p>Der neu veröffentlichte Ansatz IMOVNO+ (IMbalance‑OVerlap‑NOise+ Algorithm-Level Optimization) richtet sich gezielt gegen die drei häufigsten Probleme im maschinellen Lernen – Klassenungleichgewicht, Überlappung und Rauschen. Während diese Herausforderungen in binären Klassifikationen bereits intensiv untersucht wurden, bleiben sie in Mehrklassen‑Szenarien oft unzureichend adressiert, weil die Beziehungen zwischen den Klassen komple
arXiv – cs.LG
Forschung

<h1>Kontrastives Lernen bei unausgeglichenen Daten: Theoretische Analyse und Pruning‑Lösung</h1> <p>Kontrastives Lernen gilt als ein äußerst wirkungsvolles Verfahren zur Erzeugung generalisierbarer Repräsentationen. Trotz seiner praktischen Erfolge fehlt bislang ein umfassendes theoretisches Verständnis, insbesondere wenn die Trainingsdaten stark unausgeglichen sind – ein Szenario, das in vielen realen Anwendungen vorherrscht.</p> <p>In der vorliegenden Arbeit wird ein neues theoretisches Rahmenwerk vorgest
arXiv – cs.LG