Suche nach Sharpness‑Aware Minimization

Stein-Identität für q‑Gaussian mit Unterstützung – Gradientenschätzer

Stein’s Identität ist ein zentrales Werkzeug im maschinellen Lernen, das in generativen Modellen, stochastischen Optimierungen und vielen a…

arXiv – cs.LG 05.03.2026 05:00

Forschung

FedNSAM: Einheitliche Flachheit in Federated Learning – Genauigkeit steigert

Federated Learning (FL) ermöglicht es, Modelle auf verteilten Geräten zu trainieren, ohne dass die Rohdaten zentralisiert werden. Durch meh…

arXiv – cs.LG 02.03.2026 05:00

Forschung

SL‑SAM: Sparsere Schichten für effizientes Fine‑Tuning

Die Methode Sharpness‑Aware Minimization (SAM) sucht flache Minima im Verlustfeld, um die Generalisierung von Modellen zu verbessern. Ihr z…

arXiv – cs.LG 11.02.2026 05:00

Forschung

Forschungsdokument: Neuronale Netze robust gegen interne Störungen

In einer neuen Veröffentlichung auf arXiv wird gezeigt, wie neuronale Netzwerke so trainiert werden können, dass sie auch bei erheblichen S…

arXiv – cs.LG 10.02.2026 05:00

Forschung

Deterministische Adversarial‑Purification: PurSAMERE steigert Robustheit

In einer neuen Studie wird PurSAMERE vorgestellt, ein deterministisches Verfahren zur Adversarial‑Purification, das die Robustheit von Klas…

arXiv – cs.LG 09.02.2026 05:00

Forschung

Neuer Ansatz NCSAM verbessert Lernleistung trotz fehlerhafter Labels

Ein neues Verfahren namens Noise‑Compensated Sharpness‑Aware Minimization (NCSAM) verspricht, das Lernen aus verrauschten Labels deutlich z…

arXiv – cs.AI 29.01.2026 05:00

Forschung

X‑SAM: Optimiert SAM durch Eigenvektor‑Korrektur für bessere Generalisierung

Sharpness‑Aware Minimization (SAM) wurde entwickelt, um die Generalisierung von neuronalen Netzen zu verbessern, indem es den Verlust in ei…

arXiv – cs.LG 16.01.2026 05:00

Forschung

FedWMSAM: Schnelles, flaches Federated Learning mit Momentum‑ und SAM

Ein brandneues Verfahren namens FedWMSAM verspricht, die beiden zentralen Herausforderungen des Federated Learning – schnelle Konvergenz be…

arXiv – cs.LG 01.12.2025 05:00

Forschung

SAM steigert Robustheit von Offline-RL bei Datenkorruption

Offline-Reinforcement-Learning (RL) ist in der Praxis stark anfällig für Datenkorruption. Selbst die bislang robustesten Algorithmen scheit…

arXiv – cs.LG 25.11.2025 05:00

Forschung

Neues Multi-Agent RL verbessert O‑RAN‑Ressourcenverwaltung um 22 %

In der nächsten Generation von Mobilfunknetzen spielt die Open Radio Access Network (O‑RAN) Architektur eine zentrale Rolle. Durch den RAN…

arXiv – cs.AI 20.11.2025 05:00

Forschung

Bi-LoRA: Effizientes Sharpness‑Aware Fine‑Tuning für große Modelle

Die Feinabstimmung von hochgradig vortrainierten Modellen mit nur wenigen Daten bleibt eine große Herausforderung. Der Ansatz Sharpness‑Awa…

arXiv – cs.LG 28.08.2025 05:00

Forschung

SAM in Tensor-Modellen: Norm‑Dynamik enthüllt – DAS verbessert Leistung

Die Optimierungsmethode Sharpness‑Aware Minimization (SAM) hat sich als wirkungsvolle Technik zur Verbesserung der Generalisierung in überp…

arXiv – cs.LG 15.08.2025 05:00

Finde Modelle, Firmen und Themen

Stein-Identität für q‑Gaussian mit Unterstützung – Gradientenschätzer

FedNSAM: Einheitliche Flachheit in Federated Learning – Genauigkeit steigert

SL‑SAM: Sparsere Schichten für effizientes Fine‑Tuning

Forschungsdokument: Neuronale Netze robust gegen interne Störungen

Deterministische Adversarial‑Purification: PurSAMERE steigert Robustheit

Neuer Ansatz NCSAM verbessert Lernleistung trotz fehlerhafter Labels

X‑SAM: Optimiert SAM durch Eigenvektor‑Korrektur für bessere Generalisierung

FedWMSAM: Schnelles, flaches Federated Learning mit Momentum‑ und SAM

SAM steigert Robustheit von Offline-RL bei Datenkorruption

Neues Multi-Agent RL verbessert O‑RAN‑Ressourcenverwaltung um 22 %

Bi-LoRA: Effizientes Sharpness‑Aware Fine‑Tuning für große Modelle

SAM in Tensor-Modellen: Norm‑Dynamik enthüllt – DAS verbessert Leistung

🍪 Cookie-Einstellungen

Neues Multi-Agent RL verbessert O‑RAN‑Ressourcenverwaltung um 22 %