Suche nach Variance | meineki.news

Directional Neural Collapse erklärt Few-Shot-Transfer in SSL

In einer neuen Studie auf arXiv wird gezeigt, wie selbstüberwachte Lernmodelle mit nur wenigen gelabelten Beispielen in einer Vielzahl von…

arXiv – cs.LG 05.03.2026 05:00

Forschung

RxnNano: Kompakte LLMs für chemische Reaktionsvorhersage mit Curriculum

Die Vorhersage chemischer Reaktionen ist ein entscheidender Schritt, um die Entwicklung neuer Medikamente und die Planung von Synthesen zu…

arXiv – cs.LG 04.03.2026 05:00

Forschung

Ohne Belohnungen: Beobachter lernen optimale Politik aus Aktionen

In der neuen Studie zum Inverse Contextual Bandit (ICB) wird untersucht, wie ein Beobachter ohne Zugriff auf Belohnungen die zugrunde liege…

arXiv – cs.LG 05.03.2026 05:00

Forschung

InfoPO: Optimierung von Agenten durch informationsbasierte Interaktion

In der Praxis liefern Nutzer*innen von LLM‑Agenten häufig unvollständige Anfragen. Damit die Agenten dennoch korrekte Entscheidungen treffe…

arXiv – cs.AI 03.03.2026 05:00

Forschung

Portfolio-Reinforcement Learning: Neue Technik senkt Drawdown um 53 %

Eine aktuelle arXiv‑Studie (2602.24037v1) präsentiert einen bahnbrechenden Ansatz für die automatische Portfoliosteuerung, der die Herausfo…

arXiv – cs.AI 02.03.2026 05:00

Forschung

Bilevel-Programmierung: Bias‑Variance‑Analyse verbessert Hyperparameter‑Optimierung

Gradientenbasierte Hyperparameter‑Optimierung (HPO) nutzt seit Kurzem Bilevel‑Programmierung, um die Hyperparameter anhand des Hypergradien…

arXiv – cs.LG 23.02.2026 05:00

Forschung

Maschinelles Lernen optimiert LEO-Orbitvorhersagen durch Fehlerkorrektur

Low Earth Orbit (LEO)-Satelliten werden zunehmend als Alternative zu GNSS für Positionierung, Navigation und Zeitmessung eingesetzt. Damit…

arXiv – cs.LG 20.02.2026 05:00

Forschung

Effiziente LLM-Bewertung: Budgetfreundliche, variancengesteuerte Query-Strategie

Ein neues arXiv-Papier (2602.15481v1) präsentiert einen innovativen Ansatz zur Bewertung großer Sprachmodelle. Der sogenannte LLM-as-a-Judg…

arXiv – cs.LG 18.02.2026 05:00

Forschung

VI-CuRL: Stabilisierung von verifierunabhängigem RL-Reasoning durch Varianzreduktion

Reinforcement Learning mit verifizierbaren Belohnungen (RLVR) hat sich als führendes Verfahren zur Verbesserung der Argumentationsfähigkeit…

arXiv – cs.LG 16.02.2026 05:00

Forschung

<h1>Neues Benchmark prüft Sprachrobustheit von Vision‑Language‑Modellen</h1> <p>Ein neues Verfahren namens Language‑Guided Invariance Probing (LGIP) wurde entwickelt, um die sprachliche Robustheit von Vision‑Language‑Modellen (VLMs) zu messen. LGIP bewertet, wie gut Modelle bei bedeutungserhaltenden Paraphrasen stabil bleiben und wie empfindlich sie auf semantische Änderungen reagieren, die Objektkategorien, Farben oder Mengen verändern.</p> <p>Die Studie nutzt 40.000 Bilder aus dem MS‑COCO‑Datensatz, jedes

arXiv – cs.AI 16.02.2026 05:00

Forschung

MVN-Grad: Neuer Optimierer kombiniert Varianznormalisierung und Momentum

Ein neuer Optimierer namens MVN-Grad, vorgestellt auf arXiv, kombiniert zwei bewährte Ideen – die Varianznormalisierung von Gradienten und…

arXiv – cs.LG 12.02.2026 05:00

Forschung

DLLM-Searcher: Effiziente Suchagenten mit Diffusions-LLM

Die jüngste Veröffentlichung auf arXiv (2602.07035v1) präsentiert DLLM-Searcher, ein neues Optimierungsframework, das Diffusions‑Large‑Lang…

arXiv – cs.AI 10.02.2026 05:00

Forschung

Optimales Token‑Baseline reduziert Varianz bei Langzeit‑LLM‑RL

Reinforcement Learning (RL) für große Sprachmodelle (LLMs) leidet häufig unter Trainingskollapsen bei Aufgaben mit langen Zeithorizonten, w…

arXiv – cs.LG 10.02.2026 05:00

Forschung

Neue Methode LTSM verbessert Diffusionsmodelle bei niedriger Rauschstufe

Die Forschung auf arXiv (2602.07189v1) präsentiert Latent Target Score Matching (LTSM), eine Weiterentwicklung des Target Score Matching (T…

arXiv – cs.LG 10.02.2026 05:00

Forschung

Temporal Pair Consistency: Neue Methode reduziert Varianz in Flow‑Matching‑Modellen

In der Welt der kontinuierlichen Generativmodelle – darunter Diffusionsmodelle, Flow‑Matching und rectified Flow – werden zeitabhängige Vek…

arXiv – cs.LG 06.02.2026 05:00

Forschung

SEIS: Subspace-basierte Scores für Equivariance & Invariance Repräsentationen

Neurale Netzwerke müssen nicht nur Eingaben korrekt klassifizieren, sondern auch deren räumliche Struktur bewahren. Ein neues Verfahren nam…

arXiv – cs.LG 05.02.2026 05:00

Forschung

Neues Paper: Lernbare Koopman-Operatoren verbessern Transformer-Vorhersagen

Ein neues arXiv-Paper präsentiert eine innovative Familie lernbarer Koopman-Operatoren, die lineare Dynamiktheorie mit modernen Deep‑Learni…

arXiv – cs.LG 04.02.2026 05:00

Forschung

<h1>Dimensionalität als Vorteil beim LLM-Feintuning: Varianz‑Kurvature‑Ansatz</h1> <p>Eine neue Untersuchung zeigt, dass Evolution‑Strategies (ES) mit nur wenigen Populationen – etwa 30 – riesige Sprachmodelle mit Milliarden Parametern feinjustieren können. Dieses Ergebnis widerspricht der klassischen Intuition, dass die Dimensionalität die Effizienz von zeroth‑Order‑Methoden stark einschränkt.</p> <p>Darüber hinaus wurde ein zweites Phänomen beobachtet: Unter festen Hyperparametern steigt der Trainingsrewa

arXiv – cs.LG 03.02.2026 05:00

Forschung

FedAdaVR: Adaptive Varianzreduktion stärkt Learning eingeschränkter Teilnahme

In der Welt des Federated Learning (FL) stellen Heterogenität, Rauschverhalten der Gradienten, Client‑Drift und vor allem die eingeschränkt…

arXiv – cs.LG 02.02.2026 05:00

Forschung

Robuste Statistik: LLMs zuverlässig prüfen trotz fehlerhafter Richter

In einer wegweisenden Studie wird ein neues Hypothesentestverfahren vorgestellt, das es ermöglicht, die Zuverlässigkeit großer Sprachmodell…

arXiv – cs.LG 30.01.2026 05:00

Forschung

Bandierte SE‑Kovarianzen beschleunigen Gaussian Process Training

In einer kürzlich veröffentlichten Studie auf arXiv wird ein innovativer Ansatz vorgestellt, der das Training von Gaussian Processes (GPs)…

arXiv – cs.LG 28.01.2026 05:00

Forschung

GRIP: Geometrische Routerbeschränkung für Unlearning bei Mixture-of-Experts

Die Sicherheit großer Sprachmodelle hängt zunehmend von der Fähigkeit ab, gezielt Wissen zu löschen – ein Prozess, der als Machine Unlearni…

arXiv – cs.LG 26.01.2026 05:00

Forschung

Floating-Point-Transformer: Grenzen der Ausdruckskraft entdeckt

Eine neue Arbeit, die auf arXiv veröffentlicht wurde, untersucht die Ausdruckskraft von Transformer‑Modellen, die mit Gleitkomma‑Parametern…

arXiv – cs.LG 26.01.2026 05:00

Forschung

Muon-Variante beschleunigt LLM-Vortraining durch variancengesteuertes Momentum

Die neuesten Forschungsergebnisse zeigen, dass die Optimierungsstrategie Muon die Vortrainingsphase großer Sprachmodelle deutlich beschleun…

arXiv – cs.LG 22.01.2026 05:00

Forschung

Neue Theorie kombiniert Konfidenz und Varianz zur besseren Pseudo‑Label‑Auswahl

In einem neuen Beitrag auf arXiv wird ein innovatives Konzept vorgestellt, das die Auswahl von Pseudo‑Labels in semi‑supervised Lernverfahr…

arXiv – cs.LG 21.01.2026 05:00

Forschung

Datenlernen in LLMs führt zum Kollaps – Symbolische Modelle sind entscheidend

Eine neue Studie auf arXiv (2601.05280v1) beleuchtet die Grenzen der selbstverbessernden großen Sprachmodelle (LLMs). Die Autoren modellier…

arXiv – cs.AI 12.01.2026 05:00

Forschung

Adaptive Partitionierung: Neues Lernverfahren für Diffusionsprozesse

Ein neues Forschungsergebnis aus dem Bereich der Verstärkungslernen-Algorithmen eröffnet Wege, komplexe Diffusionsprozesse mit unbeschränkt…

arXiv – cs.LG 18.12.2025 05:00

Forschung

Ein einheitliches Modell für Invarianz gegenüber allen Raumgruppen

Die Einbeziehung bekannter Symmetrien in maschinelles Lernen hat die Vorhersagegenauigkeit, Robustheit und Generalisierung von Modellen kon…

arXiv – cs.LG 17.12.2025 05:00

Forschung

Symmetry-Loss: Gehirn-Inspiration für invariante Lernmodelle

Ein neues Forschungsprojekt aus dem arXiv-Repository präsentiert Symmetry-Loss, einen algorithmischen Ansatz, der die Prinzipien des Gehirn…

arXiv – cs.AI 15.12.2025 05:00

Forschung

Parallel Decoder Transformer: Parallele Decodierung ohne Modellanpassung

Autoregressive Decodierung in großen Sprachmodellen ist von Natur aus sequentiell, was die Latenz linear mit der Ausgabelänge wachsen lässt…

arXiv – cs.AI 12.12.2025 05:00

Finde Modelle, Firmen und Themen

Directional Neural Collapse erklärt Few-Shot-Transfer in SSL

RxnNano: Kompakte LLMs für chemische Reaktionsvorhersage mit Curriculum

Ohne Belohnungen: Beobachter lernen optimale Politik aus Aktionen

InfoPO: Optimierung von Agenten durch informationsbasierte Interaktion

Portfolio-Reinforcement Learning: Neue Technik senkt Drawdown um 53 %

Bilevel-Programmierung: Bias‑Variance‑Analyse verbessert Hyperparameter‑Optimierung

Maschinelles Lernen optimiert LEO-Orbitvorhersagen durch Fehlerkorrektur

Effiziente LLM-Bewertung: Budgetfreundliche, variancengesteuerte Query-Strategie

VI-CuRL: Stabilisierung von verifierunabhängigem RL-Reasoning durch Varianzreduktion

MVN-Grad: Neuer Optimierer kombiniert Varianznormalisierung und Momentum

DLLM-Searcher: Effiziente Suchagenten mit Diffusions-LLM

Optimales Token‑Baseline reduziert Varianz bei Langzeit‑LLM‑RL

Neue Methode LTSM verbessert Diffusionsmodelle bei niedriger Rauschstufe

Temporal Pair Consistency: Neue Methode reduziert Varianz in Flow‑Matching‑Modellen

SEIS: Subspace-basierte Scores für Equivariance & Invariance Repräsentationen

Neues Paper: Lernbare Koopman-Operatoren verbessern Transformer-Vorhersagen

FedAdaVR: Adaptive Varianzreduktion stärkt Learning eingeschränkter Teilnahme

Robuste Statistik: LLMs zuverlässig prüfen trotz fehlerhafter Richter

Bandierte SE‑Kovarianzen beschleunigen Gaussian Process Training

GRIP: Geometrische Routerbeschränkung für Unlearning bei Mixture-of-Experts

Floating-Point-Transformer: Grenzen der Ausdruckskraft entdeckt

Muon-Variante beschleunigt LLM-Vortraining durch variancengesteuertes Momentum

Neue Theorie kombiniert Konfidenz und Varianz zur besseren Pseudo‑Label‑Auswahl

Datenlernen in LLMs führt zum Kollaps – Symbolische Modelle sind entscheidend

Adaptive Partitionierung: Neues Lernverfahren für Diffusionsprozesse

Ein einheitliches Modell für Invarianz gegenüber allen Raumgruppen

Symmetry-Loss: Gehirn-Inspiration für invariante Lernmodelle

Parallel Decoder Transformer: Parallele Decodierung ohne Modellanpassung

🍪 Cookie-Einstellungen

Portfolio-Reinforcement Learning: Neue Technik senkt Drawdown um 53 %