2384 Arbeiten
Die Arbeit stellt PromptDLA vor, ein domainspezifisches Prompting-Framework für die Dokumentenlayoutanalyse, das deskriptives Wissen nutzt, um Domänenwissen effektiv zu integrieren und so durch maßgeschneiderte Prompts die Generalisierungsfähigkeit über verschiedene Datensätze hinweg zu verbessern und state-of-the-art-Ergebnisse zu erzielen.
Die Autoren stellen einen Echtzeit-Rahmen vor, der durch Implizite Maximum-Likelihood-Schätzung und bidirektionale Chamfer-Distanz ein Conditional-Flow-Matching-Modell in einen schnellen, einstufigen Schüler-Algorithmus destilliert, um latenzfreie, multimodale Trajektorien für die robotische Manipulation zu ermöglichen.
Diese Studie untersucht, wie Large Language Models in französischen Patientenakten geschlechtsspezifische Stereotype im Kontext sozialer Gesundheitsdeterminanten reproduzieren und schlägt vor, Wechselwirkungen zwischen diesen Faktoren in die Bias-Bewertung aufzunehmen.
Diese Arbeit stellt Open-World Motion Forecasting vor, ein neuartiges Szenario für autonomes Fahren, das durch ein end-to-end Framework mit Pseudo-Labeling und einem neuen Replay-Sampling-Verfahren die Herausforderung des katastrophalen Vergessens beim sequenziellen Erlernen neuer Objektklassen direkt aus Kamerabildern bewältigt.
Das Papier stellt CERES vor, ein automatisiertes, probabilistisches Frühwarnsystem, das wöchentlich aktualisierte, öffentlich verifizierbare Wahrscheinlichkeitsprognosen für akute Nahrungsmittelunsicherheit in 43 Hochrisikoländern erstellt und dabei sechs Datenströme mittels eines logistischen Bewertungsmodells kombiniert.
Die Studie CoMoral zeigt, dass aktuelle Large Language Models moralisches Denken oft über das gesunden Menschenverstand stellen und dabei eine narrative Verzerrung aufweisen, bei der sie logische Widersprüche eher bei Nebenfiguren als bei der Hauptfigur erkennen.
Dieses Paper stellt einen offenen, transparenten und reproduzierbaren Datensatz vor, der mithilfe von Large Language Models und domänenspezifischem Wissen entwickelt wurde, um die Compliance von NLP- und RAG-Systemen mit der EU-KI-Verordnung durch Aufgaben wie Risikoklassifizierung und Artikelretrieval automatisiert zu evaluieren.
Die Studie stellt OncoAgent vor, ein neuartiges, guideline-bewusstes KI-Framework, das klinische Leitlinien ohne Neutrainieren direkt in dreidimensionale Zielvolumen für die Strahlentherapie umwandelt und dabei in einer blinden klinischen Bewertung von Ärzten eine höhere Leitlinienkonformität sowie Akzeptanz als ein überwachtes nnU-Net-Modell erreicht.
Die Arbeit stellt VMoER vor, einen skalierbaren bayesschen Ansatz, der die Unsicherheitsquantifizierung in Mixture-of-Experts-Transformern durch eine strukturierte Inferenz im Routing-Mechanismus ermöglicht und dabei die Kalibrierung sowie die Stabilität bei gleichzeitiger Minimierung des Rechenaufwards erheblich verbessert.
Die Arbeit stellt RoadLogic vor, ein Open-Source-System, das deklarative OpenSCENARIO-Spezifikationen mithilfe von Answer Set Programming, Bewegungsplanung und Überwachung in ausführbare, realistische Simulationen für das systematische Testen autonomer Fahrzeuge übersetzt.
Diese Studie identifiziert und erklärt das Phänomen des „Task-Level Model-Merging Collapse", bei dem bestimmte Aufgabenkombinationen zu katastrophalem Leistungsabfall führen, und zeigt durch empirische Analysen sowie eine theoretische Herleitung mittels Rate-Distortion-Theorie auf, dass diese Inkompatibilität primär auf Repräsentationskonflikte und nicht auf Parameterkonflikte zurückzuführen ist.
Das Paper stellt EvoDriveVLA vor, ein neuartiges Framework zur kollaborativen Destillation von Wahrnehmung und Planung, das durch selbstverankerte visuelle Einschränkungen und oracle-gesteuerte Trajektorienoptimierung die Stabilität und Leistung von autonomen Fahrzeugen in Vision-Language-Action-Modellen verbessert.
Die Studie „Telogenesis" zeigt, dass ein Agent durch die endogene Generierung von Prioritäten basierend auf epistemischen Lücken (Unwissenheit, Überraschung und Veraltetheit) ohne externe Belohnung adaptive Aufmerksamkeitsstrategien entwickeln kann, die feste Ansätze übertreffen und latente Umweltstrukturen selbstständig rekonstruieren.
Das Paper stellt GenePlan vor, ein Framework, das große Sprachmodelle mit evolutionären Algorithmen kombiniert, um effiziente und generalisierbare PDDL-Planer zu entwickeln, die in Benchmarks mit dem Stand der Technik mithalten und deutlich besser abschneiden als andere LLM-basierte Ansätze.
Der Artikel argumentiert, dass die Interaktion zwischen menschlicher Vernunft und generativer KI eine neue kognitive Entität, das „Third Entity", hervorbringt, die durch den präreflexiven Modus der „Vibe-Creation" und asymmetrische Emergenz gekennzeichnet ist und damit fundamentale Implikationen für Erkenntnistheorie, Philosophie des Geistes und Bildungstheorie hat.
Diese Arbeit stellt Temporal-Conditioned Normalizing Flows (tcNF) vor, ein neues Framework zur Anomalieerkennung in multivariaten Zeitreihen, das durch die Bedingungung normalisierender Flüsse auf vorherige Beobachtungen komplexe zeitliche Abhängigkeiten modelliert und robuste Wahrscheinlichkeitsverteilungen für die Identifizierung von Anomalien liefert.
Das Paper stellt EvoPrompt vor, ein neuartiges Framework für Vision-Language-Modelle, das durch einen modality-geteilten Prompt-Projektor, eine evolutionäre Trainingsstrategie zur Entkopplung von Richtungs- und Magnituden-Updates sowie eine geometrische Feature-Regularisierung eine stabile Anpassung an Downstream-Aufgaben mit wenigen gelabelten Daten ermöglicht, ohne dabei das vorgelernte Wissen zu vergessen.
Die vorgestellte Arbeit stellt EDA vor, einen parameter- und dateneffizienten Rahmen zur Anpassung von Draft-Modellen, der durch eine entkoppelte Architektur, eine Strategie zur Datenregeneration und eine Stichprobenauswahl die Leistung des spekulativen Decodings bei feinabgestimmten Zielmodellen mit geringeren Trainingskosten wiederherstellt.
Diese Studie stellt eine Methode vor, bei der Large Language Models genutzt werden, um Fakenews-Entlarvungen basierend auf den Big-Five-Persönlichkeitseigenschaften zu personalisieren und deren Wirksamkeit durch automatische Evaluierung zu bestätigen, wobei sich zeigt, dass solche maßgeschneiderten Botschaften überzeugender sind, gleichzeitig aber ethische Bedenken aufwerfen.
Diese Arbeit demonstriert, dass sich Mamba-2 durch compilerbasierte XLA-Optimierungen ohne handgeschriebene CUDA-Kernels effizient auf CPU, NVIDIA-GPUs und TPUs portieren lässt, wodurch eine theoretische -Zustandsverwaltung und hardwareunabhängige Inferenz mit hoher Leistung erreicht werden.