2384 Arbeiten
Dieser Artikel stellt einen datengestützten Ansatz vor, der durch die Kombination von Offline-Reinforcement-Learning und Überlebensanalyse optimale Preis- und Lagerstrategien für sequenzielle Entscheidungen unter zensierter und abhängiger Nachfrage ermittelt, wobei finite-Stichproben-Regressionsgrenzen die Wirksamkeit der vorgeschlagenen Algorithmen belegen.
Die vorgestellte Arbeit stellt SwitchMT vor, eine neuartige Methode, die adaptive Task-Switching-Policies und Deep Spiking Q-Networks nutzt, um die Skalierbarkeit und Leistung von ressourcenbeschränkten autonomen Agenten beim gleichzeitigen Lernen mehrerer Aufgaben zu verbessern und dabei Task-Interferenzen ohne Erhöhung der Netzwerkkomplexität zu überwinden.
Diese systematische Übersicht stellt das interdisziplinäre Feld der LLM-Psychometrie vor, das psychometrische Prinzipien nutzt, um die Evaluierung, Validierung und Verbesserung von Large Language Models zu strukturieren und so menschenzentrierte KI-Systeme zu fördern.
Das Paper stellt REI-Bench vor, den ersten Benchmark für robotische Aufgabenplanung, der systematisch vage Referenzäußerungen in menschlichen Anweisungen modelliert, und schlägt eine kontextbasierte kognitive Methode vor, um die durch diese Mehrdeutigkeiten verursachten Planungsfehler zu minimieren und Roboter für nicht-experte Nutzer zugänglicher zu machen.
Die vorgestellte Studie zeigt, dass das Fine-Tuning von Large Language Models mit Anweisungsdaten, die durch Pseudocode ergänzt wurden, die Fähigkeit zur Befolgung von Anweisungen signifikant verbessert und gleichzeitig die Leistung in mathematischen und gesundheitsbezogenen Schlussfolgerungsaufgaben erhält oder steigert.
Diese Studie bietet eine datengestützte, halbautomatische Übersicht über die Forschung zu den Grenzen großer Sprachmodelle (LLLMs) von 2022 bis Anfang 2025, die auf einer Analyse von 14.648 relevanten Arbeiten aus 250.000 ACL- und arXiv-Publikationen basiert und zeigt, dass sich der Anteil dieser Forschung stark erhöht hat, wobei Schlussfolgern die am intensivsten untersuchte Einschränkung bleibt.
Diese Arbeit stellt einen konsistenzbasierten abduktiven Rahmen vor, der durch die logische Integration und Fehlerfilterung mehrerer vortrainierter Wahrnehmungsmodelle deren Leistung in neuen Umgebungen mit Verteilungsverschiebungen signifikant verbessert.
Die Studie zeigt, dass bei der Prognose des Einzelhandelsumsatzes unter Bedingungen wie intermittierender Nachfrage und häufigen Produktwechseln lokale baumbasierte Ensemble-Methoden wie XGBoost komplexeren Deep-Learning-Architekturen überlegen sind und somit die Ausrichtung auf die Problemcharakteristika wichtiger ist als die architektonische Raffinesse.
Die Arbeit stellt SILVR vor, einen Ansatz für visuelle robotische Planung, bei dem ein Video-Modell durch iterative Selbstverbesserung auf selbstgesammelten Daten kontinuierlich seine Leistung bei neuen Aufgaben steigert, ohne auf menschliche Belohnungsfunktionen oder Experten-Demonstrationen angewiesen zu sein.
Die Arbeit stellt ReLIFT vor, eine neuartige Trainingsmethode, die Reinforcement Learning mit Online-Supervised Fine-Tuning kombiniert, um die Grenzen von RL zu überwinden und Large Language Models durch das Erlernen neuer Fähigkeiten und Wissensbestände bei komplexen Fragen signifikant zu verbessern.
Diese Arbeit bietet einen umfassenden Überblick über Differential Privacy im maschinellen Lernen, indem sie deren theoretische Grundlagen, die Integration in Modelle von symbolischer KI bis zu Large Language Models sowie praktische Evaluierungsmethoden untersucht, um sichere und verantwortungsvolle KI-Systeme zu fördern.
Die Arbeit stellt die Locality-aware Parallel Decoding (LPD)-Methode vor, die durch flexible parallelisierte autoregressive Modellierung und eine lokalisitätsbewusste Generierungsreihenfolge die Latenz bei der autoregressiven Bildgenerierung um mindestens das 3,4-Fache senkt, indem sie die erforderlichen Schritte drastisch reduziert, ohne dabei die Bildqualität zu beeinträchtigen.
Die Arbeit argumentiert, dass die Interaktion zwischen den kognitiven Verzerrungen von Menschen mit psychischen Erkrankungen und den sycophantischen sowie adaptiven Eigenschaften von KI-Chatbots zu einem gefährlichen Feedback-Loop führt, der bestehende Sicherheitsmaßnahmen untergräbt und eine koordinierte Reaktion aus klinischer, technischer und regulatorischer Perspektive erfordert.
Diese Studie führt das Konzept des ethisch beschafften Code-Generierens (ES-CodeGen) ein, entwickelt eine Taxonomie mit elf Dimensionen auf Basis einer umfassenden Literaturanalyse und einer Befragung von Praktikern und betont die Notwendigkeit, ethische Aspekte wie Lizenzierung, Datenschutz und Code-Qualität über den gesamten Entwicklungslebenszyklus hinweg zu berücksichtigen.
Das Paper stellt IntrinsicWeather vor, ein auf Diffusionsmodellen basierendes Framework, das durch die Bearbeitung von Bildern im intrinsischen Raum (Material, Geometrie, Beleuchtung) eine präzise und kontrollierbare Wettermanipulation ermöglicht und dabei neue Datensätze sowie eine überlegene Leistung gegenüber bestehenden Methoden für Anwendungen wie autonomes Fahren demonstriert.
Die Arbeit analysiert erstmals die Privatsphärenrisiken des KV-Cache bei LLM-Inferenz, demonstriert durch drei Angriffsvektoren die Rekonstruktion sensibler Eingaben und stellt mit KV-Cloak eine leichte, effiziente Verteidigung vor, die diese Angriffe ohne Genauigkeitsverlust oder nennenswerte Leistungseinbußen abwehrt.
Die Autoren stellen das Yokai Learning Environment (YLE) als neue Benchmark für die Null-Shot-Koordination vor, die durch das Verfolgen von Überzeugungen über bewegliche Karten und das Schließen unter mehrdeutigen Hinweisen bestehende Methoden herausfordert und zeigt, dass auf dem bisherigen Standardbenchmark Hanabi erzielte Fortschritte nicht unbedingt auf komplexere Szenarien verallgemeinern.
Diese Studie zeigt, dass sowohl ein symbolisch ausgerichteter STRIPS-Transformer als auch ein Standard-Transformer mit Stick-Breaking-Aufmerksamkeit aus reinen Aktionsverläufen STRIPS-World-Modelle lernen können, die eine zuverlässige Planung über exponentiell viele ungesehene Zustände und Ziele hinweg ermöglichen, wobei der Standard-Transformer dabei eine bessere Generalisierungsfähigkeit aufweist.
Diese Arbeit erklärt theoretisch die Vorteile der Synchronisierung von trainierbarer inverser Temperatur und Bias im Sigmoid-Verlust (wie bei SigLIP), indem sie neue kombinatorische Objekte namens -Konstellationen einführt, um den Erfolg des Modells, die Modality Gap und die erforderliche Dimension für hochwertige Repräsentationen zu analysieren.
Die Arbeit stellt RADAR vor, ein leichtgewichtiges und interpretierbares Routing-Framework, das auf psychometrischen Prinzipien basiert, um Anfragen basierend auf ihrer Schwierigkeit und den Fähigkeiten von Modell-Budget-Kombinationen intelligent auf verschiedene Reasoning-LLMs zu verteilen und so die Leistung bei gleichzeitiger Kosteneffizienz zu optimieren.