Finde Modelle, Firmen und Themen

Die neue Methode GeneZip löst ein zentrales Problem der Genomforschung: die Verarbeitung von Sequenzen, die Milliarden von Basenpaaren umfa…

Federated Learning (FL) hat die Möglichkeit eröffnet, Modelle dezentral auf Edge‑Geräten zu trainieren, ohne sensible Nutzerdaten zu zentra…

Mit TurboBoA wird die Quantisierung großer Sprachmodelle schneller und genauer, ohne dass Backpropagation nötig ist. Der neue Ansatz kombin…

In einer bahnbrechenden Veröffentlichung auf arXiv haben Forscher gezeigt, wie klassische mechanistische Modelle durch den Einsatz von masc…

Künstliche Intelligenz liefert immer mehr Erklärungen zu ihren Entscheidungen. Gegenfaktische Erklärungen, die minimale Änderungen an Einga…

Edge-Lernen verspricht, Intelligenz direkt auf den Geräten zu trainieren, die Daten erzeugen. Dadurch sinken Datenschutzrisiken und Kommuni…

Ein neuer Ansatz namens DP-$\lambda$CGD verspricht, die Genauigkeit von Differentially Private Stochastic Gradient Descent (DP‑SGD) zu erhö…

In der Lieferkettenprognose führen sich verändernde Marktbedingungen – wie wechselnde Promotionen, sich wandelnde Konsumgewohnheiten und un…

PyTorch 2.9 hat die FlexAttention-Implementierung vorgestellt, die speziell für Intel‑GPUs optimiert ist. Diese neue Variante unterstützt d…

Multi-Agent Path Finding (MAPF) wird zunehmend in industriellen Lagern und Fertigungsanlagen eingesetzt, wo Roboter zuverlässig unter reale…

Die neueste Veröffentlichung auf arXiv (2512.08061v1) stellt LUNA vor – eine lernbare, kernelbasierte lineare Attention, die das klassische…

Weltmodelle werden zunehmend als sichere Testumgebung für KI-Agenten genutzt, bevor sie in der realen Welt eingesetzt werden. Trotz ihrer h…

Die rasante Entwicklung präziser Open‑Source‑Large‑Language‑Models hat die Nachfrage nach fortschrittlichen Quantisierungsmethoden für den…

In einer bahnbrechenden Studie aus dem arXiv-Repository wird gezeigt, wie große Sprachmodelle (LLMs) die Modellierung der Krankheitsprogres…

Split‑Federated Learning nutzt die Rechenleistung zentraler Server, um Modellpartitionen zu trainieren. Doch die stark unterschiedlichen Da…

Federated Learning (FL) ermöglicht es, Modelle gemeinsam zu trainieren, ohne dass die privaten Daten der Clients offengelegt werden. In der…

Ein neues arXiv‑Veröffentlichung (2509.12213v1) beleuchtet die bislang wenig erforschte Praxis des dezentralen Lernens. Trotz theoretischer…

Die präzise Abschätzung der Modellgenauigkeit auf bislang nicht gesehenen, unlabeled Datensätzen ist für reale Machine‑Learning‑Anwendungen…

Federated Learning (FL) hat sich als leistungsstarke Methode etabliert, um Machine‑Learning‑Modelle dezentral zu trainieren und gleichzeiti…

Active Inference (AIF) gilt als leistungsstarkes Entscheidungsframework, doch seine hohen Rechen- und Speicheranforderungen erschweren die…

Die rasante Entwicklung großer Sprachmodelle (LLMs) stellt herkömmliche mathematische Benchmark‑Tests vor enorme Herausforderungen. Typisch…