3852 Arbeiten
Die Arbeit stellt INDUCTION vor, ein Benchmark für die Synthese von Konzepten in der Prädikatenlogik erster Stufe auf endlichen Strukturen, das die Fähigkeit aktueller Modelle zur Generalisierung und zur Vermeidung übermäßiger Formelkomplexität in verschiedenen Szenarien evaluiert.
Diese Arbeit stellt einen umfassenden Multi-KPI-Benchmark für Multi-Agenten-Reinforcement-Learning-Algorithmen im CityLearn-Umfeld vor und zeigt, dass dezentralisiertes Training mit dezentraler Ausführung (DTDE) zentrale Ansätze in Bezug auf Leistung und Robustheit übertrifft.
Die Autoren stellen MrBERT vor, eine Familie effizienter multilingualer Encoder auf ModernBERT-Basis, die durch gezielte Anpassung an 35 Sprachen sowie spezialisierte Domänen und die Integration von Matryoshka-Repräsentationslernen sowohl state-of-the-art-Leistung als auch kosteneffiziente Inferenz ermöglicht.
Die Arbeit stellt ARLArena vor, ein einheitliches Framework zur Analyse und Stabilisierung des agentic Reinforcement Learning, das auf Basis einer detaillierten Untersuchung der Trainingsinstabilität die neue Methode SAMPO entwickelt, um zuverlässiges und leistungsfähiges Training von LLM-basierten Agenten zu ermöglichen.
CryoNet.Refine ist ein auf einem einstufigen Diffusionsmodell basierendes Deep-Learning-Framework, das die automatische und schnelle Verfeinerung von Protein- sowie DNA/RNA-Protein-Komplexen mittels Cryo-EM-Dichtekarten ermöglicht und dabei sowohl die Übereinstimmung mit den experimentellen Daten als auch die geometrische Qualität gegenüber herkömmlichen Methoden wie Phenix.real_space_refine signifikant verbessert.
Diese Arbeit untersucht, wie KI-Agenten mit spezialisierten Fähigkeiten durch das Konzept des „Vibe Researching" die Sozialwissenschaften nicht ersetzen, sondern durch eine kognitive Delegation von Aufgaben ergänzen, die trotz ihrer Stärken in Geschwindigkeit und Methodik weiterhin menschliche theoretische Originalität und implizites Feldwissen erfordert.
Die Arbeit führt mit „Bipredictability" ein neues Maß für die Effektivität von Systemen ein, das zeigt, dass aktuelle KI zwar über Handlungsfähigkeit (Agency) verfügt, aber durch das Fehlen einer selbstregulierenden Lernfähigkeit keine echte Intelligenz besitzt, und schlägt eine biologisch inspirierte Feedback-Architektur vor, um diese Lücke zu schließen.
Die Arbeit stellt AVDE vor, ein leichtgewichtiges und effizientes Framework, das durch die Feinabstimmung eines vortrainierten EEG-Modells und eine autoregressive "Next-Scale Prediction"-Strategie visuelle Informationen aus EEG-Signalen rekonstruiert und dabei die Leistungsfähigkeit bestehender Methoden bei deutlich geringerem Rechenaufwand übertrifft.
Die Studie zeigt, dass die Diskrepanz zwischen Ärzten bei der Bewertung medizinischer KI hauptsächlich strukturell bedingt ist und sich zwar durch das Schließen von Informationslücken in Randfällen, nicht aber durch die Beseitigung inhärenter medizinischer Unsicherheiten reduzieren lässt.
Die Arbeit stellt CeRA vor, eine neue Methode zur parametereffizienten Feinabstimmung, die durch Manifold-Expansion die linearen Grenzen von LoRA bei komplexen Aufgaben wie mathematischem Schlussfolgern überwindet und dabei bei deutlich niedrigerem Rang eine überlegene Leistung erzielt.
Diese Arbeit zeigt, dass die Formulierung von generalisierter Planung als Lernproblem für explizite Übergangsmodelle, die Weltzustände autoregressiv vorhersagen, im Vergleich zu direkten Aktionssequenzvorhersagen eine bessere Out-of-Distribution-Generalisierung bei deutlich geringerem Daten- und Modellbedarf ermöglicht.
Die Studie zeigt, dass die Erweiterung eines App-Store-Rankers durch Millionen von mit einem spezialisierten, feinabgestimmten LLM generierten Textrelevanz-Labels die Pareto-Grenze verschiebt und zu signifikanten Verbesserungen sowohl bei der Offline-NDCG als auch bei der weltweiten Konversionsrate führt, insbesondere bei Suchanfragen mit wenig Verhaltensdaten.
Die Arbeit stellt Attn-QAT vor, eine Methode zur quantisierungsbewussten 4-Bit-Attention, die durch die Anpassung der Rückwärtsberechnung an niedrige Präzision und die Auflösung impliziter Genauigkeitsannahmen eine stabile FP4-Ausbildung ohne Ausreißer-Minderung ermöglicht und auf der RTX 5090 eine bis zu 1,5-fache Geschwindigkeitssteigerung erzielt.
Die Arbeit stellt PEPA vor, ein dreischichtiges kognitives Architekturkonzept für einen körperlichen Agenten, der durch integrierte Persönlichkeitsmerkmale persistente Autonomie erreicht, indem er selbstständig Ziele generiert und sich ohne externe Vorgabe in dynamischen Umgebungen verhält.
Diese Arbeit stellt einen reproduzierbaren Rahmen vor, der die reasoning-Fähigkeiten multimodaler Modelle bei EKG-Signalen durch eine duale Verifikation von Wahrnehmung (mittels Code-Generierung) und Deduktion (durch Abgleich mit klinischen Kriterien) skalierbar bewertet, um die Validität klinischer Logik jenseits oberflächlicher Metriken zu überprüfen.
Die Studie zeigt, dass eine konforme Vorhersage durch domänenspezifische Kalibrierung trotz unterschiedlicher Fehlkalibrierungstendenzen in strukturierten FDA-Texten und freien Radiologieberichten zuverlässige Abdeckungsgarantien für die Extraktion medizinischer Entitäten mittels großer Sprachmodelle ermöglicht.
Dieser technische Bericht erweitert die empirische Validierung des Explainability Solution Space (ESS) durch eine domänenübergreifende Evaluation, die dessen Generalisierbarkeit als operatives Entscheidungsunterstützungsinstrument für die Gestaltung von erklärbarer KI-Strategie in sozio-technischen Systemen bestätigt.
Diese Arbeit stellt ein zweistufiges HMM-POMDP-Rahmenwerk vor, das die Energiestrategie für die Formel-1-Saison 2026 optimiert, indem es mittels eines Hidden-Markov-Modells den verborgenen Zustand von Gegnern aus Telemetriedaten ableitet und eine Deep-Q-Network-Politik zur Vermeidung von Täuschungsmanövern wie dem „Counter-Harvest Trap" steuert.
HarmonyCell ist ein end-to-end Agenten-Framework, das durch eine LLM-gesteuerte semantische Vereinheitlichung und einen adaptiven Monte-Carlo-Baumsuch-Algorithmus die Modellierung von Einzelzell-Perturbationen unter semantischen und distributionellen Verschiebungen automatisiert und dabei sowohl die Ausführungsfähigkeit als auch die Leistung gegenüber Experten-basierten Baselines signifikant verbessert.
Diese Arbeit stellt einen neuartigen, von großen Sprachmodellen (LLMs) gesteuerten geschlossenen Regelkreis vor, der durch semantische Optionserkennung die Dateneffizienz, Interpretierbarkeit und Übertragbarkeit von Deep Reinforcement Learning verbessert, was in Experimenten mit Office World und Montezuma's Revenge bestätigt wurde.