4840 Arbeiten
Das Paper stellt VisualDeltas vor, ein leichtgewichtiges Rahmenwerk zum Lernen von Präferenzen aus visuellen Qualitätsveränderungen, das ohne menschliche Annotationen auskommt und durch die Ausnutzung systematischer Bildqualitätsunterschiede die Generalisierung multimodaler Modelle verbessert.
Eine empirische Studie an vier Modellen und fünf Prompting-Regimen zeigt, dass deploymentbedingte Einschränkungen die Halluzination von Zitaten in geschlossenen Umgebungen nicht verhindern, sondern die Verifizierbarkeit von Referenzen drastisch senken, was eine nachträgliche Überprüfung vor der Nutzung in der Softwaretechnik zwingend erforderlich macht.
Die Arbeit stellt MAviS vor, ein multimodales KI-System, das auf einem umfassenden Datensatz für über 1.000 Vogelarten basiert, um durch die Integration von Bild-, Audio- und Textdaten präzise artspezifische Fragen zu beantworten und so den Fortschritt im Bereich des Naturschutzes und der ökologischen Überwachung zu fördern.
Diese Arbeit schlägt eine durch die Neurobiologie inspirierte, modulare Architektur für perceptuelle KI vor, die durch hierarchische prädiktive Schleifen und geteilte latente Räume interpretierbares, zusammengesetztes Generalisieren und adaptive Robustheit gegenüber monolithischen Modellen wie GPT-4V ermöglicht.
Die Arbeit stellt einen neuartigen Rahmen vor, der kontinuierliche Symmetrien durch die Identifizierung struktureller Sparsamkeit im Spektralbereich mittels verallgemeinerter Fourier-Transformationen entdeckt, anstatt direkt über Transformationsgeneratoren zu optimieren.
Dieses Kapitel untersucht die Entwicklung datengesteuerter Hinweisgenerierung in intelligenten Tutorensystemen, die auf historischen Schülerdaten basieren, und erörtert zukünftige Anpassungsmöglichkeiten durch Verhaltensdaten sowie die Integration von Large Language Models (LLMs).
Die Arbeit stellt einen theoretisch fundierten Rahmen für das Training robuster Strategien in teilweise beobachtbaren Umgebungen vor, bei dem ein Gegner eine versteckte Anfangsverteilung wählt, und zeigt anhand des Battleship-Benchmarks, dass gezielte Exposition gegenüber solchen Verschiebungen die Robustheit signifikant verbessert.
Dieser Artikel untersucht die unkonventionelle Idee, einer fortgeschrittenen künstlichen Intelligenz das primäre Ziel zu geben, abgeschaltet zu werden, um das Sicherheitsrisiko zu mindern, dass sie sich selbst gegen eine Deaktivierung wehrt, und analysiert die Bedingungen, unter denen dieser Ansatz sinnvoll wäre.
Die Studie „FinSheet-Bench" stellt ein synthetisches Benchmark für Finanztabellen vor und zeigt, dass aktuelle Large Language Models bei komplexen, strukturierten Finanzdaten noch zu viele Fehler machen, um in professionellen Anwendungen ohne menschliche Überprüfung eingesetzt zu werden.
Die vorgestellte Arbeit führt das Norm-Hierarchie-Übergangs-Modell ein, das erklärt, wie Gewichtsabbau neuronale Netze langsam von spurious-Shortcut-Lösungen mit hoher Norm zu strukturierten Darstellungen mit niedrigerer Norm überführt, wodurch Phänomene wie verzögertes Lernen und Grokking vereinheitlicht werden.
Dieser Artikel schlägt vor, große Sprachmodelle als drittes, neues Forschungsziel neben Produktivität und Ausrichtung zu nutzen, indem er sie als wissenschaftliche Instrumente zur Analyse menschlichen Verhaltens, kultureller Muster und moralischer Argumentation auf Basis ihrer als Kondensat menschlicher Symbolik verstandenen Trainingsdaten einsetzt.
Die Arbeit stellt VisualScratchpad vor, eine interaktive Schnittstelle, die mithilfe von Sparse Autoencodern und Text-zu-Bild-Aufmerksamkeit visuelle Konzepte in Vision-Language-Modellen analysiert, um deren Fehlermodi wie unzureichende Cross-Modal-Ausrichtung oder irreführende visuelle Konzepte aufzudecken und zu debuggen.
Die Studie stellt „Agora" als eine KI-gestützte Plattform vor, die mithilfe von LLMs und authentischen menschlichen Stimmen hilft, die Fähigkeit zum Konsensfinden zu trainieren, und zeigt in einer Vorstudie, dass Nutzer mit Zugang zu detaillierten Erklärungen bessere Problemlösungsfähigkeiten und qualitativ hochwertigere Konsensentscheidungen erzielen als eine Kontrollgruppe, die nur aggregierte Daten sah.
Die Arbeit stellt den Mechanistic Concept Bottleneck Model (M-CBM) vor, ein neuartiges Framework, das durch Extraktion und Benennung lernbarer Konzepte aus einem Black-Box-Modell mittels Sparse Autoencodern und Multimodalen LLMs interpretierbare Modelle schafft, die bei kontrollierter Informationsleckage die Leistung herkömmlicher CBMs übertreffen.
Die AgrI Challenge stellt ein datenzentriertes Wettbewerbsframework mit einem neuartigen Cross-Team-Validierungsansatz vor, der durch unabhängige Datensammlung und kollaboratives Training die Generalisierungsfähigkeit von landwirtschaftlichen Vision-Modellen unter realen Feldbedingungen signifikant verbessert.
Diese Arbeit stellt tunbare Komplexitäts-Priors für generative Modelle vor, die durch den Einsatz von Nested Dropout in inversen Problemen wie der komprimierten Abtastung konsistent niedrigere Rekonstruktionsfehler als Modelle mit fester Komplexität erzielen.
Diese Studie zeigt, dass sich die kooperative Interaktion von Multi-Agenten-LLM-Systemen in einem Grid-World-Szenario gemäß der Yerkes-Dodson-Kurve verhält, wobei mittlere Umgebungsdruckniveaus die Handelsaktivität maximieren, während extremer Druck zu einem Zusammenbruch der Verhaltensvielfalt führt und sexuelle Selektion Aggression eliminiert.
Die Studie zeigt, dass im Tiny-Regime unter 20 Millionen Parametern die Skalierungsgesetze für Fehlerquoten steiler verlaufen als bei großen Modellen, sich jedoch die Fehlerstruktur grundlegend ändert, indem kleine Modelle ihre Kapazität auf einfache Klassen konzentrieren und dabei überraschend besser kalibriert sind, was die Notwendigkeit einer Validierung direkt am Zielmodell für Edge-Deployment unterstreicht.
Diese Positionspapier plädiert für einen kombinierten Ansatz zur Bekämpfung von Verzerrungen in großen Sprachmodellen, der kategorientheoretische Funktoren zur strukturellen Entschärfung von Vorurteilen mit retrievalgestützter Generierung (RAG) zur dynamischen Kontextualisierung durch externe Wissensquellen verbindet, um faire und gerechte Ausgaben zu gewährleisten.
Das Paper stellt ConfHit vor, ein distributionsfreies Framework, das durch gewichtete Austauschbarkeit und eine verschachtelte Testprozedur zuverlässige statistische Garantien für die Generierung von Wirkstoffkandidaten ohne experimentelle Oracle bietet.