Finde Modelle, Firmen und Themen

Neuer Artikel auf arXiv zeigt, wie die Wahl des Optimierers die Qualität von neuronalen Netzen beeinflusst. Forscher untersuchten die beide…

Muons, eine Familie von Optimierern, nutzt Newton-Schulz-Iteration, um die Update-Schritte zu orthogonalisieren. Dadurch entsteht eine nahe…

Die Newton-Schulz-Iteration hat sich in den letzten Jahren als Schlüsselverfahren für den Muon-Optimizer und die Arbeit mit dem Stiefel-Man…

Die neueste Veröffentlichung auf arXiv (2602.00059v1) stellt TextBFGS vor – ein Quasi-Newton-Framework, das die Optimierung von diskreten…

Eine neue Veröffentlichung auf arXiv präsentiert einen bahnbrechenden Ansatz, der die Optimierung von Formen – etwa bei impliziten neuronal…

In einer bahnbrechenden Studie wird gezeigt, wie man mit vortrainierten, flow‑basierten Generativmodellen gezielt aus Verteilungen mit term…

In der Welt des verteilten Lernens stehen Federated Learning (FL) und Federated Distillation (FD) als zwei prominente Ansätze, die Modelle…

Orthogonality-basierte Optimierer wie Muon haben in den letzten Monaten beeindruckende Ergebnisse bei groß angelegten Trainingsaufgaben erz…

In der Physik stoßen inverse Probleme häufig auf schlecht konditionierte Eingaberaumbedingungen, die die Schrittweite stark beeinflussen. D…

In einer wegweisenden Studie präsentiert ein internationales Forschungsteam ein neues Benchmark, das 200 vielfältige Aufgaben aus unterschi…

In einer neuen Veröffentlichung auf arXiv wird gezeigt, wie Newton‑Methoden trotz der Beschränkungen von Gleitkommaarithmetik effizient ein…

Ein neues Forschungsprojekt, veröffentlicht als Preprint auf arXiv, präsentiert Sensorium Arc – ein Echtzeit‑Multimodal‑System, das den Oze…

Isaac Lab, die Weiterentwicklung von Isaac Gym, eröffnet die GPU-native Robotiksimulation für die Ära des groß angelegten multimodalen Lern…

In einer aktuellen Veröffentlichung auf arXiv wird ein stochastischer Gauss-Newton-Algorithmus (SGN) vorgestellt, der mit Levenberg–Marquar…

Ein neuer Beitrag auf arXiv (2510.13040v1) stellt zwei innovative Optimierer vor, die das klassische Stochastic Gradient Descent (SGD) deut…

Forscher haben ein neues, einheitliches Verfahren vorgestellt, das Erkenntnisse aus der statistischen Physik, der Codierungstheorie und der…