Suche nach Sequenzmodell

Transformer‑Netzwerke prognostizieren Anfälle mit über 90 % Genauigkeit

Ein neu entwickeltes, patientenadaptives Transformer‑Framework verspricht die bisher schwierig zu lösende Aufgabe der epileptischen Anfalls…

arXiv – cs.LG 31.03.2026 04:00

Forschung

Preconditioned Attention: Effizienzsteigerung für Transformer

Der Attention-Block ist das Herzstück moderner Transformer-Modelle und ermöglicht die Modellierung globaler Abhängigkeiten zwischen Eingabe…

arXiv – cs.LG 31.03.2026 04:00

Forschung

Reinforcement Learning ermöglicht dynamische Tokenisierung für Zeitreihen

In modernen Deep‑Learning‑Modellen gilt die effiziente Zusammenfassung von räumlichen oder zeitlichen Bereichen zu kompakten Darstellungen…

arXiv – cs.LG 30.03.2026 04:00

Forschung

Decision Transformer senkt Rettungsfahrzeug-Transitzeit um 38 %

Ein neuer Ansatz zur Optimierung von Notfallfahrzeugen (EV) nutzt das Decision Transformer (DT), um die Durchfahrtzeit von Rettungsfahrzeug…

arXiv – cs.LG 25.03.2026 04:00

Forschung

Mamba2 trifft GSP: Adaptive Filterbank reduziert Parameter um 41 %

In der Welt der Sprachmodelle haben State‑Space‑Modelle (SSMs) bereits gezeigt, dass sie eine effiziente Alternative zu klassischen Attenti…

arXiv – cs.LG 25.03.2026 04:00

Forschung

Transformer-Modelle verbessern die kalibrierungsbasierte Wartung

Eine neue Studie aus dem arXiv-Repository zeigt, wie Transformer‑Modelle die Kalibrierung von Messinstrumenten revolutionieren können. Durc…

arXiv – cs.LG 24.03.2026 04:00

Forschung

FlowMS: Neue Methode zur Strukturermittlung aus Massenspektren

Massenspektrometrie bleibt das zentrale Verfahren zur Identifizierung von Molekülen, doch die de‑novo‑Strukturermittlung aus Spektren ist w…

arXiv – cs.LG 20.03.2026 04:00

Forschung

InfoMamba: Hybrid-Transformer ohne Attention, der Effizienz steigert

In der Welt der Sequenzmodelle bleibt die Herausforderung, feine lokale Details mit weitreichenden Abhängigkeiten zu verbinden, ohne die Re…

arXiv – cs.LG 20.03.2026 04:00

Forschung

Baguan-TS: Neuer Transformer für Zeitreihen mit Kontextlernen

Forscher haben einen bahnbrechenden Ansatz für die Vorhersage von Zeitreihen vorgestellt: Baguan-TS. Dieser Transformer nutzt In‑Context‑Le…

arXiv – cs.LG 19.03.2026 04:00

Forschung

<h1>HoloByte: Tokenizer-freies Modellieren mit hypersphärischer Distillation</h1> <p>Die neueste Veröffentlichung von HoloByte präsentiert ein völlig tokenizer‑freies Verfahren für die Sequenzmodellierung. Durch die kontinuierliche hypersphärische Distillation werden Byte‑Sequenzen in feste, komprimierte Blöcke zerlegt und anschließend in einen streng begrenzten hypersphärischen Raum projiziert. Diese Transformation ermöglicht es einem großen Transformer, ausschließlich mit den komprimierten, kontinuierlich

arXiv – cs.LG 19.03.2026 04:00

Forschung

KI revolutioniert Fahrzeugdiagnose: Automatisierte Fehlererkennung in Sequenzen

Moderne Fahrzeuge erzeugen mit ihren elektronischen Steuergeräten (ECUs) tausende asynchroner Ereignisse, die sogenannten Diagnose‑Fehlerco…

arXiv – cs.AI 18.03.2026 04:00

Forschung

Mamba: Bildrekonstruktion zeigt Grenzen bei längeren Sequenzen

Das neuartige Modell Mamba hat sich als vielseitiges Sequenzmodell etabliert, weil es mit geringer Rechenkomplexität arbeitet und gleichzei…

arXiv – cs.LG 16.03.2026 04:00

Forschung

Hybrid-Modelle: Transformer + State‑Space – Effizienz trifft Ausdruckskraft

In einer neuen Studie auf arXiv wird gezeigt, wie Hybrid‑Sequenzmodelle die Stärken von Transformer‑Aufmerksamkeit und state‑space‑Modellen…

arXiv – cs.LG 11.03.2026 04:00

Forschung

Tiefe Modelle steigern Genauigkeit: Lie-Algebraische Analyse von Sequenzmodellen

Moderne, skalierbare Sequenzmodelle – darunter Transformer-Varianten und strukturierte Zustandsraummodelle – opfern häufig ihre Ausdruckskr…

arXiv – cs.LG 09.03.2026 04:00

Forschung

PPO bleibt robust: Sequenzmodelle bekämpfen Sensorfehler in RL-Systemen

Reinforcement‑Learning‑Systeme müssen in der Praxis mit Veränderungen in ihren Beobachtungsdaten umgehen können. Die meisten gängigen Polic…

arXiv – cs.LG 06.03.2026 05:00

Forschung

Neues Modell generiert neuronale Netze unabhängig von Breite

In einer kürzlich veröffentlichten Arbeit auf arXiv wird ein innovatives Verfahren vorgestellt, das die Generierung von neuronalen Netzwerk…

arXiv – cs.LG 03.03.2026 05:00

Forschung

Neue Basis für robuste LLMs: Support‑Tokens, Stabilitätsmargen und ein probabilistisches Modell

In einer kürzlich veröffentlichten Studie wird die klassische Self‑Attention‑Architektur von Sprachmodellen neu interpretiert – als probabi…

arXiv – cs.LG 27.02.2026 05:00

Forschung

Quantenbasierte Sequenzmodellierung: Sprache als Wellenfunktion

In einer bahnbrechenden Veröffentlichung auf arXiv wird ein neues Framework vorgestellt, das die latente Zustandsdarstellung einer Sequenz…

arXiv – cs.LG 27.02.2026 05:00

Forschung

Mamba beschleunigt Flexible Job Shop Scheduling: Effizientes Sequenzmodell

Ein neues arXiv-Preprint (2602.21546v1) präsentiert eine bahnbrechende Architektur, die das Flexible Job Shop Scheduling (FJSP) mithilfe de…

arXiv – cs.LG 26.02.2026 05:00

Forschung

Neues Deep-Learning-Framework revolutioniert PBPK-Modellierung

Pharmakokinetische Modelle, die auf physiologischen Prinzipien basieren, sind unverzichtbar für die moderne Arzneimittelentwicklung. Ihre b…

arXiv – cs.LG 24.02.2026 05:00

Forschung

Neues RL-Framework I-TAP revolutioniert Planung in verrauschten Umgebungen

Das neu veröffentlichte Framework I‑TAP (In‑Context Latent Temporal‑Abstraction Planner) löst zwei zentrale Probleme des planungsbasierten…

arXiv – cs.LG 24.02.2026 05:00

Forschung

<h1>Sequenzmodelle ermöglichen kooperative Multi-Agent-Strategien ohne feste Annahmen</h1> <p>Die Herausforderung, selbstinteressierte Agenten zu kooperieren, bleibt ein zentrales Problem im Multi-Agenten‑Reinforcement‑Learning. Neuere Studien haben gezeigt, dass Agenten, die sich der Lerndynamik ihrer Mitspieler bewusst sind, gegenseitige Kooperation fördern können. Traditionelle Ansätze stützen sich jedoch häufig auf starre, oft widersprüchliche Annahmen über Lernregeln oder trennen strikt „naive Lernende

arXiv – cs.AI 19.02.2026 05:00

Forschung

Neues Modell verbessert Ausdehnung von KI außerhalb des Trainingsbereichs

Mit dem jüngsten Beitrag auf arXiv (2602.13550v1) wird ein innovativer Ansatz vorgestellt, der die Herausforderung der „Out-of-Support“ (Oo…

arXiv – cs.LG 17.02.2026 05:00

Forschung

Mamba-Modelle: Theoretische Analyse zeigt Feature‑Selektion

Die jüngsten Erfolge von Mamba und anderen selektiven Zustandsraummodellen haben das Interesse an Nicht‑Attention‑Architekturen für Sequenz…

arXiv – cs.LG 16.02.2026 05:00

Forschung

HyperMLP: Neue Perspektive für Sequenzmodellierung – MLP statt Attention

In einer wegweisenden Veröffentlichung auf arXiv präsentiert das Team hinter HyperMLP einen völlig neuen Blickwinkel auf die klassische Sel…

arXiv – cs.LG 16.02.2026 05:00

Forschung

DecisionLLM: LLMs revolutionieren langfristige Entscheidungsfindung

In der Welt der langfristigen Entscheidungsfindung, die bislang vor allem durch Reinforcement Learning (RL) adressiert wurde, eröffnet ein…

arXiv – cs.AI 16.01.2026 05:00

Forschung

RewriteNets: String‑Rewriting‑Architektur für effizientes Sequenz‑Modellieren

Traditionelle Sequenzmodelle wie der Transformer bauen ihre Struktur auf dichten Aufmerksamkeitsgewichten auf, was zu einer quadratischen R…

arXiv – cs.LG 14.01.2026 05:00

Forschung

ReactorFold: KI entdeckt neue Kernreaktor-Designs durch physikalisches Denken

Mit dem neuen Framework ReactorFold wird die Gestaltung von Kernreaktor-Kernen neu definiert. Anstatt in vorgegebenen, von Menschen festgel…

arXiv – cs.LG 19.12.2025 05:00

Forschung

Neues Framework vereint Attention und State‑Space‑Modelle – 3 Theoreme

In der Welt der Sequenzmodellierung haben sich seit den klassischen rekurrenten Netzen bis hin zu modernen Transformers und State‑Space‑Mod…

arXiv – cs.LG 18.12.2025 05:00

Forschung

Boltz-2 neu angepasst: Protein-Protein-Bindungsvorhersage im Fokus

Die jüngste Veröffentlichung auf arXiv zeigt, dass das hochmoderne Modell Boltz-2, ursprünglich für die Vorhersage von Protein‑Ligand‑Bindu…

arXiv – cs.LG 09.12.2025 05:00

Finde Modelle, Firmen und Themen

Transformer‑Netzwerke prognostizieren Anfälle mit über 90 % Genauigkeit

Preconditioned Attention: Effizienzsteigerung für Transformer

Reinforcement Learning ermöglicht dynamische Tokenisierung für Zeitreihen

Decision Transformer senkt Rettungsfahrzeug-Transitzeit um 38 %

Mamba2 trifft GSP: Adaptive Filterbank reduziert Parameter um 41 %

Transformer-Modelle verbessern die kalibrierungsbasierte Wartung

FlowMS: Neue Methode zur Strukturermittlung aus Massenspektren

InfoMamba: Hybrid-Transformer ohne Attention, der Effizienz steigert

Baguan-TS: Neuer Transformer für Zeitreihen mit Kontextlernen

KI revolutioniert Fahrzeugdiagnose: Automatisierte Fehlererkennung in Sequenzen

Mamba: Bildrekonstruktion zeigt Grenzen bei längeren Sequenzen

Hybrid-Modelle: Transformer + State‑Space – Effizienz trifft Ausdruckskraft

Tiefe Modelle steigern Genauigkeit: Lie-Algebraische Analyse von Sequenzmodellen

PPO bleibt robust: Sequenzmodelle bekämpfen Sensorfehler in RL-Systemen

Neues Modell generiert neuronale Netze unabhängig von Breite

Neue Basis für robuste LLMs: Support‑Tokens, Stabilitätsmargen und ein probabilistisches Modell

Quantenbasierte Sequenzmodellierung: Sprache als Wellenfunktion

Mamba beschleunigt Flexible Job Shop Scheduling: Effizientes Sequenzmodell

Neues Deep-Learning-Framework revolutioniert PBPK-Modellierung

Neues RL-Framework I-TAP revolutioniert Planung in verrauschten Umgebungen

Neues Modell verbessert Ausdehnung von KI außerhalb des Trainingsbereichs

Mamba-Modelle: Theoretische Analyse zeigt Feature‑Selektion

HyperMLP: Neue Perspektive für Sequenzmodellierung – MLP statt Attention

DecisionLLM: LLMs revolutionieren langfristige Entscheidungsfindung

RewriteNets: String‑Rewriting‑Architektur für effizientes Sequenz‑Modellieren

ReactorFold: KI entdeckt neue Kernreaktor-Designs durch physikalisches Denken

Neues Framework vereint Attention und State‑Space‑Modelle – 3 Theoreme

Boltz-2 neu angepasst: Protein-Protein-Bindungsvorhersage im Fokus

🍪 Cookie-Einstellungen

Transformer‑Netzwerke prognostizieren Anfälle mit über 90 % Genauigkeit

Decision Transformer senkt Rettungsfahrzeug-Transitzeit um 38 %

Mamba2 trifft GSP: Adaptive Filterbank reduziert Parameter um 41 %