2384 Arbeiten
Die Arbeit stellt BTZSC vor, ein umfassendes Benchmark für das Zero-Shot-Textklassifizieren, das zeigt, dass moderne Reranker wie Qwen3-Reranker-8B den aktuellen State-of-the-Art erreichen, während starke Embedding-Modelle und Instruktion-tuned LLMs ebenfalls wettbewerbsfähige Ergebnisse liefern und die Grenzen früherer NLI-basierter Ansätze überwinden.
Die Arbeit stellt FedFew vor, einen personalisierten Federated-Learning-Ansatz, der das Problem der Skalierbarkeit bei heterogenen Client-Daten durch die Optimierung weniger gemeinsamer Servermodelle löst und dabei automatisch eine optimale Modellvielfalt ohne manuelle Partitionierung oder Hyperparameter-Tuning erreicht.
Diese empirische Studie zeigt, dass Reinforcement Fine-Tuning zwar die Generalisierung von LLM-Agenten innerhalb einer Umgebung verbessert, aber bei der Übertragung auf neue Umgebungen schwächere Ergebnisse liefert, während sequenzielles Training und Mischtraining vielversprechende Lösungen für robustere Generalisierung bieten.
Das Paper stellt Flowcean vor, ein modulares und benutzerfreundliches Framework, das die datengetriebene Automatisierung der Modellierung komplexer cyber-physischer Systeme durch die Integration verschiedener Lernstrategien und Werkzeuge ermöglicht.
Diese Studie untersucht die Machtverhältnisse zwischen Designern und KI-Systemen wie LLMs und schlägt vor, dass Designer ihre kreative Handlungsfähigkeit durch Selbstreflexion, ein tiefes Verständnis der Technologie und die bewusste Gestaltung der Mensch-Maschine-Beziehung zurückgewinnen können.
Diese Arbeit stellt einen systematischen Sim-to-Real-Ansatz für das autonome Andocken einer Girona-AUV vor, der durch die Nutzung eines hochfideligen Digitalzwillings im Stonefish-Simulator, Multiprocessing-Training und den PPO-Algorithmus eine erfolgreiche Übertragung der in Simulation erlernten Steuerung auf reale Testbedingungen ermöglicht.
Die Studie stellt mit LabelPigeon ein neues XML-basiertes Framework vor, das die gemeinsame Übersetzung und Label-Projektion ermöglicht und dabei sowohl die Übersetzungsqualität verbessert als auch signifikante Fortschritte beim cross-lingualen Transfer erzielt.
Die Arbeit zeigt, wie traditionelle Software- und Hardware-Schwachstellen in komplexen KI-Systemen mit algorithmischen Angriffen kombiniert werden können, um die Integrität und Vertraulichkeit von KI-Pipelines zu gefährden, und schlägt eine systematisierte Methodik zur Abwehr solcher zusammengesetzten Bedrohungen vor.
Die Arbeit stellt Slow-Fast Inference vor, ein trainingsfreies Decodierungsframework, das durch die Ausnutzung der Stabilität von Aufmerksamkeitsmustern innerhalb semantisch kohärenter Spannungen die Inferenzgeschwindigkeit um das 1,6- bis 14,4-fache steigert, ohne dabei die Qualität zu beeinträchtigen.
XSkill ist ein dualer Rahmen für multimodale Agenten, der durch visuell fundiertes Lernen aus vergangenen Erfahrungen und strukturierten Fähigkeiten eine kontinuierliche Verbesserung der Werkzeugnutzung und Planung ohne Parameter-Updates ermöglicht und dabei in verschiedenen Benchmarks überlegene Ergebnisse erzielt.
Diese Arbeit stellt eine trainingsfreie Methode zur verfeinerten visuellen Generierung vor, die den h-Transform nutzt, um den Sampling-Prozess von Diffusionsmodellen durch eine gewichtete Drift-Funktion und einen rauschlevelabhängigen Zeitplan effektiv in Richtung hochwertiger Feinbilder zu steuern, ohne dass ein bekannter Vorwärtsoperator oder gepaarte Trainingsdaten erforderlich sind.
Die Arbeit beweist mathematisch und durch numerische Experimente, dass chemische Reaktionsnetzwerke ohne versteckte Schichten bestimmte Klassifizierungsaufgaben effizienter und genauer lösen können als Spiking-Neuronale-Netzwerke, die dafür versteckte Schichten benötigen.
Diese Arbeit stellt eine systematische Taxonomie von fünf Familien strukturierter Operatoren vor, die die Standard-Convolution in lernbasierten Bildverarbeitungspipelines erweitern oder ersetzen, um deren strukturelle Einschränkungen zu überwinden und eine vergleichende Analyse ihrer Eigenschaften sowie zukünftige Forschungsrichtungen zu bieten.
Die Arbeit stellt LoV3D vor, ein dreistufiges Verfahren zur Schulung von 3D-Vision-Language-Modellen, das durch regionale Volumenanalysen und einen klinisch gewichteten Verifizierer hallucinationsfreie, longitudinale Hirn-MRT-Befunde mit hoher diagnostischer Genauigkeit für die Alzheimer-Erkrankung generiert.
Die Studie stellt ein auf Temporal Convolutional Networks basierendes Multi-Label-Deep-Learning-Framework vor, das die Vorhersage von Transkriptionsfaktor-Bindungsstellen verbessert, indem es kooperative Mechanismen und Korrelationen zwischen verschiedenen Transkriptionsfaktoren erfasst.
Die Autoren stellen eine ressourceneffiziente, iterative Neural-Architecture-Search-Methode vor, die große Sprachmodelle mit einem speicherbasierten Feedback-Mechanismus kombiniert, um auf einer einzelnen Consumer-GPU ohne Feinabstimmung der Modelle kompakte und leistungsfähige Bildklassifizierungsarchitekturen zu entwerfen.
Die Studie stellt mit LMP2 ein browserbasiertes Selbstaudit-Tool vor und identifiziert anhand zweier Nutzerstudien sowie einer Evaluierung verschiedener LLMs sowohl die Fähigkeit von Modellen, personenbezogene Merkmale vorherzusagen, als auch neun zentrale Hindernisse für die Entwicklung zuverlässiger, menschenzentrierter Datenschutzprüfungen im Bereich der generativen KI.
Dieses Paper stellt ein robustes Multi-Agenten-Reinforcement-Learning-Framework für die Lichtsignalsteuerung vor, das durch Turn-Ratio-Randomisierung, eine stabilitätsorientierte Aktionsraumgestaltung und einen MAPPO-basierten Beobachtungsansatz die Generalisierungsfähigkeit verbessert und die durchschnittliche Wartezeit um über 10 % senkt.
Die vorgestellte Arbeit identifiziert das Phänomen der „Informations-Selbstverriegelung" bei RL-gestützten LLM-Agenten in aktiven Reasoning-Szenarien, bei dem Agenten aufhören, informative Fragen zu stellen, und schlägt eine Methode vor, die durch gezielte Kritiksignale den Lernprozess wiederbelebt und die Leistung in sieben Datensätzen um bis zu 60 % steigert.
Diese Arbeit stellt MMDDPG vor, ein Framework, das durch die Formulierung eines Minimax-Optimierungsproblems mit einem fraktionalen Ziel, das Leistung und Störungsstärke ausbalanciert, robuste Steuerungsstrategien für kontinuierliche Aufgaben unter Unsicherheit und externen Störungen entwickelt.