4481 Arbeiten
Das Papier stellt Pawsterior vor, ein variationsbasiertes Flow-Matching-Framework für die simulationsbasierte Inferenz, das durch die Einführung einer endpunktabhängigen affinen geometrischen Einschränkung sowohl strukturierte Domänen als auch diskrete latente Strukturen effektiv handhabt.
Die vorgestellte Arbeit führt XTF ein, ein erklärbares Framework zur Filterung von Token-level-Rauschen in Fine-Tuning-Datensätzen durch die Zerlegung von Token-Beiträgen in drei Attribute, was die Leistung von Large Language Models in verschiedenen Downstream-Aufgaben signifikant verbessert.
Das Paper stellt LongAudio-RAG vor, ein hybrides Framework, das durch die Umwandlung von stundenlangen Audioaufnahmen in strukturierte, zeitgestempelte Ereignisdaten und deren gezielte Abfrage mittels SQL die präzise Beantwortung natürlicher Sprachfragen mit minimierten Halluzinationen ermöglicht.
Das Paper stellt CogitoRAG vor, ein RAG-Framework, das menschliche kognitive Gedächtnisprozesse nachahmt, indem es semantische Gist-Extraktion, einen multidimensionalen Wissensgraphen und einen Diffusionsmechanismus nutzt, um bei komplexen Fragen die semantische Integrität zu bewahren und die Leistung gegenüber bestehenden Methoden signifikant zu steigern.
Die Autoren stellen mit CondMedQA den ersten Benchmark für kontextabhängige biomedizinische Fragen vor und entwickeln das Condition-Gated Reasoning (CGR)-Framework, das durch bedingungsbasierte Pfadsteuerung in Wissensgraphen zuverlässigere medizinische Schlussfolgerungen ermöglicht.
Die Arbeit stellt neue Werkzeuge für Split-Conformal-Vorhersagen vor, die über die reine Abdeckung hinausgehen, indem sie durch eine Small-Sample-Beta-Korrektur und einen Kalibrierungs- und Auditierungsansatz finite-garantierte operative Kennzahlen wie Entscheidungshäufigkeit und Fehlerexposition für den praktischen Einsatz bereitstellen.
Die Arbeit stellt ABD vor, einen Benchmark zur Bewertung der Fähigkeit von Sprachmodellen, in endlichen ersten Ordnungs-Welten durch das Ableiten sparsamer Ausnahmeregeln die Satisfiabilität von Theorien wiederherzustellen, und zeigt dabei trotz hoher Validität signifikante Defizite in der Sparsamkeit und Generalisierung auf.
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.