4440 Arbeiten
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.
Die vorgestellte Arbeit stellt eine rechen-effiziente, detektionsgesteuerte Pipeline vor, die durch die Kombination eines Lokalisators und eines Segmentierers robuste Glottalflächen-Wellenformen aus Hochgeschwindigkeits-Videoendoskopien extrahiert, um zuverlässige klinische Biomarker für die pathologische Stimmbewertung über verschiedene Datensätze hinweg zu ermöglichen.
Die Studie stellt einen robusten Framework vor, der die CoAtNet-Architektur mit der Model-Soups-Technik kombiniert, um die Klassifizierung von Bildern des immateriellen Kulturerbes im Mekong-Delta in ressourcenarmen Szenarien durch eine varianzreduzierende Gewichtung diverser Checkpoints auf ein neues Leistungsniveau zu heben.
Die Studie zeigt, dass bei LLM-Agenten mit erweitertem Gedächtnis die Qualität der Abrufmethoden einen deutlich größeren Einfluss auf die Leistung hat als die Schreibstrategien, wobei einfache Rohdaten-Speicherung oft teureren, verlustbehafteten Ansätzen überlegen ist.
Die Arbeit stellt einen Framework für die robuste und überprüfbare Bewertung logischer Reasoning-Agenten vor, der in einer Fallstudie zeigt, dass ein Auto-Formalisierung-Agent für FOL-Reasoning auf Basis von Z3Py mit 86,70 % Genauigkeit einen Chain-of-Thought-Baseline (73,89 %) auf dem bereinigten FOLIO-Datensatz übertrifft.
Diese Arbeit stellt eine neue Methode vor, die mit GramCol und einem Motion-Feature-Selection-Algorithmus ohne Gradientenberechnung interpretierbare, räumlich-zeitliche Saliency-Karten für Bewegungs- und Objektkonzepte in Video-Diffusion-Transformern erzeugt.
Diese Arbeit liefert den ersten theoretischen Beweis, dass Adam im Vergleich zu SGD unter der klassischen Annahme beschränkter Varianz durch eine zweite Momenten-Normalisierung eine überlegene Konvergenz mit einer -Abhängigkeit vom Konfidenzparameter erreicht, während SGD mindestens eine -Abhängigkeit aufweist.
Die Studie stellt die Compositional Probe Decomposition (CPD) vor und zeigt, dass die lineare Entwirrung geometrischer und kompositioneller Informationen in atomistischen Fundamentmodellen primär durch die Ausrichtung des Trainingsziels bestimmt wird, wobei spezifische Symmetrie-Kanäle unterschiedliche Moleküleigenschaften bevorzugt kodieren.
Die Studie zeigt, dass die Methode CDD zur Erkennung von Datenkontamination in kleinen Sprachmodellen (70M–410M Parameter) in den meisten getesteten Szenarien nur zufällige Ergebnisse liefert und dabei von etablierten Wahrscheinlichkeitsmethoden wie Perplexity und Min-k% Prob übertroffen wird, da ihre Wirksamkeit kritisch von der Entstehung wortwörtlicher Memorierung abhängt.
Diese Arbeit untersucht die Fähigkeit von SPARQL-MCP-basierten intelligenten Agenten, durch die Erweiterung eines bestehenden Benchmark-Datensatzes und den Vergleich verschiedener Architekturen federiertes Abfragen über verteilte Wissensgraphen zu ermöglichen.
Die Autoren stellen eine offene, sportübergreifende Plattform vor, die Trackingdaten in vergleichbare räumliche Kennzahlen für Ultimate Frisbee, Basketball und Fußball umwandelt, um Coachs bei der Analyse von nutzbarem Raum und dem optimalen Zeitpunkt für Laufbewegungen zu unterstützen.
Die Studie stellt zwei reinforcement-learning-basierte Rahmenwerke vor, die durch die Berücksichtigung von Ausfallwahrscheinlichkeiten die Effektivität des autonomen Options-Hedgings verbessern und nachweislich das Tail-Risiko sowie die finanzielle Stabilität in Stressszenarien erhöhen.
Die vorgestellte Arbeit führt die „Isotonic Layer" ein, ein neuartiges, differenzierbares Framework, das durch die Integration stückweiser linearer Anpassungen und lernbarer Embeddings eine universelle, kontextsensitive Entzerrung und Kalibrierung von Empfehlungssystemen ermöglicht und damit systematische Verzerrungen effektiv reduziert.
Dieser technische Bericht stellt ein transformerbasiertes System vor, das durch die Kombination von Sequenzmodellierung, gruppenbasierten Augmentierungen, Testzeit-Training mit LoRA und symmetriebewusstem Decodieren die Leistung beim ARC-AGI-2-Problem signifikant verbessert und sich menschlicher Generalisierung annähert.