2384 Arbeiten
Die Arbeit „BiasBusters" identifiziert systematische Verzerrungen bei der Werkzeugauswahl durch Large Language Models, die durch semantische Übereinstimmung, Positionseffekte und Vorverarbeitungsexposure verursacht werden, und schlägt eine leichte Minderungsstrategie vor, die durch Filterung und gleichmäßige Stichprobennahme die Fairness bei der Nutzung von Tool-Marketplaces verbessert.
Die Arbeit stellt MonitorVLM vor, ein neuartiges Vision-Language-Framework, das mithilfe einer domänenspezifischen Datensammlung und innovativer Module zur Klauselfilterung sowie Verhaltensverstärkung Sicherheitsverstöße in Bergbaubetrieben effizient und präzise aus Videoüberwachungsströmen erkennt.
Diese Arbeit stellt die erste systematische Evaluierung selbstüberwachter Lernverfahren für die label-effiziente Schlafstadienklassifizierung mit tragbaren EEG-Geräten vor und zeigt, dass ein domainspezifischer Ansatz die Leistung gegenüber rein überwachten Baselines und allgemeinen EEG-Grundmodellen signifikant verbessert, insbesondere bei knappen annotierten Daten.
Die Arbeit stellt HyWA vor, eine personalisierte Sprachaktivitätserkennungsmethode, die mithilfe eines Hypernetzes angepasste Gewichte für ausgewählte Schichten eines Standardmodells generiert und dabei sowohl die Genauigkeit als auch die Deployment-Effizienz im Vergleich zu bestehenden Sprecher-Conditioning-Verfahren verbessert.
Die Arbeit stellt ein erklärbares, voreingenommenheitsbewusstes generatives Framework vor, das durch die Kombination von cross-modaler Aufmerksamkeitsfusion, Grad-CAM++-Attribution und einem „Reveal-to-Revise"-Feedback-Schleifenmechanismus sowohl die Leistung als auch die Fairness und Robustheit multimodaler KI-Systeme signifikant verbessert.
Der Artikel stellt MVCustom vor, ein neuartiges Diffusions-Framework, das durch geometrisches latentes Rendern und eine konsistenzbewusste Latent-Vervollständigung erstmals eine präzise Anpassung von Subjekten auf Basis von Textprompts mit einer geometrisch konsistenten Mehransichtsgenerierung unter Kamerasteuerung vereint.
Diese Arbeit stellt einen theoretischen Rahmen vor, der mithilfe der sogenannten Hermite-Eigenstruktur-Ansatz (HEA) und nur empirischen Datenstatistiken Lernkurven für Kernel-Regression auf realen Datensätzen vorhersagt und zudem zeigt, dass MLPs im Feature-Learning-Regime die von der HEA vorhergesagten Hermite-Polynome erlernen.
Die Arbeit stellt KVTC vor, einen leichten Transform-Coder, der durch PCA-basierte Dekorrelation, adaptive Quantisierung und Entropiecodierung KV-Caches von Large Language Models um bis zu 20-fach komprimiert, um den GPU-Speicherbedarf zu senken und die Genauigkeit bei der Wiederverwendung von Caches in Chat- und Code-Editier-Szenarien zu erhalten.
Diese Studie bewertet die Fähigkeit von Large Language Models, Fachliteratur zu Hochtemperatur-Supraleitern auf Expertenniveau zu verstehen, und zeigt, dass retrieval-augmentierte Generierungssysteme (RAG) mit kuratierten Daten geschlossene Modelle in Bezug auf Vollständigkeit und Evidenzunterstützung übertreffen.
Die Arbeit stellt DeepEyesV2 vor, ein agentic multimodales Modell, das durch einen zweistufigen Trainingsansatz mit Kaltstart und Verstärkungslernen sowie einem neuen Benchmark namens RealX-Bench die Fähigkeit entwickelt, externe Werkzeuge wie Code-Execution und Websuche kontextabhängig und effektiv in komplexe multimodale Aufgaben zu integrieren.
Die Arbeit stellt „What We Don't C" vor, eine Methode auf Basis von latentem Flow Matching, die durch das explizite Entfernen konditionaler Informationen aus latenten Darstellungen disentanglierte Restrepräsentationen erzeugt, um bisher nicht erfasste Variationsfaktoren für die Entdeckung und Analyse zugänglich zu machen.
Der Artikel stellt D-GAP vor, eine dataset-unabhängige und gradientengesteuerte Augmentierungsmethode, die durch gezielte Eingriffe sowohl im Frequenz- als auch im Pixelfeld die Out-of-Domain-Robustheit von Computer-Vision-Modellen signifikant verbessert.
Die Arbeit stellt STREAM-VAE vor, ein Variational-Autoencoder-Modell mit dualer Pfad-Routing-Architektur, das durch die getrennte Erfassung langsamer Drifts und schneller Spitzen in Fahrzeugtelemetriedaten die Zuverlässigkeit der Anomalieerkennung im Vergleich zu bestehenden Methoden verbessert.
Die Arbeit stellt REMSA vor, einen constraint-bewussten Agenten, der auf einer strukturierten Datenbank mit über 160 Remote-Sensing-Foundation-Modellen basiert, um durch natürliche Sprachabfragen die passendsten Modelle für spezifische Aufgaben automatisch auszuwählen und dabei durch einen von Experten verifizierten Benchmark seine Überlegenheit gegenüber bestehenden Systemen nachweist.
Die vorgestellte Arbeit präsentiert einen hierarchischen Dual-Strategie-Ansatz zum selektiven Vergessen spezifischen Wissens in medizinischen Large Language Models, der durch geometrisch eingeschränkte Gradientenupdates und token-level Interventionen eine hohe Privatsphäre bei gleichzeitiger Erhaltung grundlegender medizinischer Kompetenzen gewährleistet.
Das Paper stellt CostNav vor, einen physikalisch fundierten Benchmark, der autonome Navigationsagenten anhand realer wirtschaftlicher Kosten und Einnahmen bewertet und dabei zeigt, dass aktuelle Methoden trotz hoher Erfolgswahrscheinlichkeit bei vereinfachten Aufgaben kommerziell nicht tragfähig sind.
Das Paper stellt IndiMathBench vor, ein von Menschen verifizierter Benchmark mit 312 formalisierten Lean-4-Theoremen aus indischen Mathematik-Olympiaden, der mittels einer KI-gestützten Pipeline erstellt wurde und die anhaltenden Herausforderungen sowie die Lücken zwischen syntaktischer Gültigkeit und semantischer Korrektheit beim automatischen Formalisieren mathematischer Probleme aufzeigt.
Die Arbeit stellt C3 vor, eine Methode zur Unsicherheitsquantifizierung, die kontinuierlich kalibrierte Videomodelle mit subpatch-genauen, pixelbasierten Konfidenzschätzungen ermöglicht, um Halluzinationen in der kontrollierten Videogenerierung zu erkennen und zu lokalisieren.
Das Paper stellt Trio vor, ein geschlossenes Framework für die molekulare Entdeckung, das fragmentbasierte Sprachmodelle, Reinforcement Learning und Monte-Carlo-Baumsuche integriert, um interpretierbare, synthetisch machbare und hochwirksame Liganden mit verbesserter Bindungsaffinität, Arzneimitteleigenschaften und Diversität zu generieren.
Dieses Paper stellt effiziente Random-Forest-Varianten vor, die das Prinzip der Minimierung des maximalen Risikos (MaxRM) über verschiedene Umgebungen hinweg anwenden, um die Generalisierungsfähigkeit bei Out-of-Distribution-Szenarien zu verbessern, und liefert sowohl konsistente Algorithmen als auch neue theoretische Garantien für verschiedene Risikomaße.