Suche nach Singular Value Decomposition

KBVQ-MoE: Ultra‑niedrigbit‑Quantisierung für Mixture‑of‑Experts‑LLMs

Die neueste Veröffentlichung von Forschern auf arXiv (2602.11184v1) präsentiert KBVQ‑MoE, ein innovatives Verfahren zur Ultra‑niedrigbit‑Qu…

arXiv – cs.LG 13.02.2026 05:00

Forschung

Omni‑Safety: Studie enthüllt Schwachstellen und Lösungen für multimodale KI

Eine neue Untersuchung aus dem Bereich der künstlichen Intelligenz hat die Sicherheitslücken von Omni‑modalen großen Sprachmodellen (OLLMs)…

arXiv – cs.AI 12.02.2026 05:00

Forschung

Neues Framework SDE nutzt Spektrale Entwirrung für robustere multimodale Modelle

In der Welt des multimodalen kontrastiven Lernens hat sich ein neues Konzept namens Spectral Disentanglement and Enhancement (SDE) als viel…

arXiv – cs.AI 11.02.2026 05:00

Forschung

SPGCL: Stärkeres Graph-Kontrastlernen durch SVD-gesteuerte Strukturbearbeitung

Graph Neural Networks (GNNs) sind besonders anfällig für strukturelle Störungen wie zufällige oder fehlende Kanten, die durch Angriffe oder…

arXiv – cs.LG 03.02.2026 05:00

Forschung

CollectiveKV: Nutzerübergreifende KV-Caches für schnellere Empfehlungssysteme

In der Welt der sequentiellen Empfehlungssysteme ist Geschwindigkeit entscheidend. Transformer‑basierte Modelle liefern zwar exzellente Erg…

arXiv – cs.AI 28.01.2026 05:00

Forschung

LLM‑Gewichte komprimieren: Low‑Rank‑Tensor‑Approximation mit Cosine Lanczos

Die neuesten Fortschritte in großen Sprachmodellen (LLMs) haben die Leistungsfähigkeit in vielen NLP‑Aufgaben revolutioniert – gleichzeitig…

arXiv – cs.LG 27.01.2026 05:00

Forschung

GeoRA: Geometriebewusste Low‑Rank‑Anpassung verbessert RLVR-Modelle

Reinforcement Learning mit verifizierbaren Belohnungen (RLVR) ist entscheidend für die Weiterentwicklung großer Sprachmodelle. Bisherige, p…

arXiv – cs.LG 15.01.2026 05:00

Forschung

GADPN: Graph Adaptive Denoising & Perturbation Networks optimieren Graph‑Lernen

Graph Neural Networks (GNNs) sind bei der Analyse von netzwerkstrukturierten Daten führend, doch ihre Leistung hängt stark von der Qualität…

arXiv – cs.LG 14.01.2026 05:00

Forschung

Dynamisches Rang-Optimierungslernen verbessert Effizienz von LLMs

In einer neuen Veröffentlichung auf arXiv wird das Konzept des Dynamic Rank Reinforcement Learning (DR‑RL) vorgestellt, das die Low‑Rank‑Fa…

arXiv – cs.LG 19.12.2025 05:00

Forschung

FermiGrad und PivGa: Globale Optimierung der LLM-Kompression

Die neuesten Erkenntnisse aus dem arXiv-Preprint 2512.03062v1 zeigen, wie große Sprachmodelle (LLMs) effizienter und ressourcenschonender w…

arXiv – cs.LG 04.12.2025 05:00

Forschung

Effizienter Wissenstransfer aus mehreren Modellen durch Modellfusion

Transfer‑Learning ist ein bewährter Ansatz, doch bisher wird das Potenzial, Wissen aus einer Vielzahl verfügbarer Online‑Modelle zu nutzen…

arXiv – cs.LG 28.08.2025 05:00

Forschung

CALR: Adaptive Low‑Rank‑Kompression für effiziente LLM‑Layer

Large Language Models (LLMs) sind wegen ihrer enormen Größe und Rechenintensität schwer in ressourcenbeschränkten Umgebungen einsetzbar. Um…

arXiv – cs.LG 26.08.2025 05:00

Forschung

CommonKV: KV‑Cache effizient komprimieren via benachbarte Parameter

Large Language Models (LLMs) stehen vor einem erheblichen Speicherproblem: Mit zunehmender Sequenzlänge wächst der KV‑Cache exponentiell, w…

arXiv – cs.LG 25.08.2025 05:00

Finde Modelle, Firmen und Themen

KBVQ-MoE: Ultra‑niedrigbit‑Quantisierung für Mixture‑of‑Experts‑LLMs

Omni‑Safety: Studie enthüllt Schwachstellen und Lösungen für multimodale KI

Neues Framework SDE nutzt Spektrale Entwirrung für robustere multimodale Modelle

SPGCL: Stärkeres Graph-Kontrastlernen durch SVD-gesteuerte Strukturbearbeitung

CollectiveKV: Nutzerübergreifende KV-Caches für schnellere Empfehlungssysteme

LLM‑Gewichte komprimieren: Low‑Rank‑Tensor‑Approximation mit Cosine Lanczos

GeoRA: Geometriebewusste Low‑Rank‑Anpassung verbessert RLVR-Modelle

GADPN: Graph Adaptive Denoising & Perturbation Networks optimieren Graph‑Lernen

Dynamisches Rang-Optimierungslernen verbessert Effizienz von LLMs

FermiGrad und PivGa: Globale Optimierung der LLM-Kompression

Effizienter Wissenstransfer aus mehreren Modellen durch Modellfusion

CALR: Adaptive Low‑Rank‑Kompression für effiziente LLM‑Layer

CommonKV: KV‑Cache effizient komprimieren via benachbarte Parameter

🍪 Cookie-Einstellungen