5441 Arbeiten
Die Studie stellt AHSIV vor, einen adaptiven Rahmen zur Auswahl von Prognosemodellen, der durch die Berücksichtigung von Horizont-induzierter Degradation und Nachfrageschwankungen die Instabilität bei der Modellbewertung über verschiedene Zeithorizonte hinweg adressiert und so robuste Entscheidungen für heterogene Nachfragemuster ermöglicht.
Das Paper stellt IntelliAsk vor, ein Modell, das durch Bestärkendes Lernen mit einer speziell entwickelten Belohnungsfunktion (IntelliReward) und einem optimierten Trainingsverfahren (DAPO) hochwertige, evidenzbasierte Forschungsfragen generiert, die menschlichen Gutachterstandards entsprechen und gleichzeitig die allgemeinen Fähigkeiten des Modells verbessern.
Diese Arbeit präsentiert empirische Ergebnisse einer deterministischen, graphbasierten C++-Implementierung, die zeigt, dass semantische Kontinuität durch lokale Zustandsänderungen statt durch probabilistische Neuorganisation erreicht werden kann, was zu einer invarianten Rechenzeit und thermischen Effizienz führt, die unabhängig von der Gesamtknotengröße ist.
Das Paper stellt FLoRG vor, ein Framework für das federierte Fine-Tuning von Sprachmodellen, das durch die Aggregation einer einzelnen Gram-Matrix und die Anwendung von Procrustes-Alignment Aggregationsfehler sowie Dekompositionsdrift vermeidet, die Kommunikationseffizienz drastisch steigert und eine höhere Genauigkeit als bestehende Methoden erzielt.
Die Studie widerlegt die weit verbreitete Annahme, dass Sprach-LLMs ASR-LLM-Pipelines überlegen sind, und zeigt durch mechanistische Analysen, dass diese Modelle in den meisten Anwendungsfällen lediglich teure Kaskaden darstellen, die unter Rauschbedingungen sogar schlechter abschneiden als ihre textbasierten Pendants.
Die Arbeit stellt EMPO vor, ein hybrides Reinforcement-Learning-Framework, das durch die Kombination von On- und Off-Policy-Optimierung sowie einem Gedächtnismechanismus die Explorationsfähigkeit von LLM-Agenten signifikant verbessert und so zu überlegener Leistung und Anpassungsfähigkeit in neuen Umgebungen führt.
Diese Arbeit erklärt das Phänomen des Modality Collapse in multimodalen LLMs als Informationsverlust durch fehlende Übereinstimmung zwischen Quell- und Textdaten, wobei die zugängliche Information durch die Generalisierte Gegenseitige Information begrenzt ist und primär vom Trainingsziel des Decoders abhängt, nicht von der Encoder-Architektur.
Die Arbeit stellt CoME vor, ein neuartiges Agenten-Architekturkonzept, das durch spezialisierte Experten, eine progressive Trainingsstrategie und einen informationsgeleiteten DPO-Ansatz die hybriden Reasoning-Fähigkeiten mobiler Agenten für eine präzisere Aufgabenausführung verbessert.
Die Arbeit stellt den ToCS-Benchmark vor, der zeigt, dass KI-Code-Agenten beim Verständnis von Softwarearchitekturen in mehrdateigen Umgebungen oft scheitern, wobei ihre Fähigkeit zur aktiven Exploration, zur Nutzung strukturierter Glaubenszustände und zur Konsistenz des Wissens stark vom jeweiligen Modell abhängt.
Dieses Papier stellt eine reparametrisierte Tensor-Ring-Funktionalzerlegung vor, die mittels impliziter neuronaler Darstellungen und einer frequenzbasierten Analyse sowohl diskrete als auch kontinuierliche multidimensionale Daten effizient rekonstruiert und dabei in Aufgaben wie Bildinpainting und Punktwolkenwiederherstellung überlegene Ergebnisse erzielt.
Die Studie zeigt, dass die aktuelle Entwicklung von KI-Agenten durch eine starke Programmierzentriertheit gekennzeichnet ist, die nicht mit der Verteilung menschlicher Arbeit und des wirtschaftlichen Werts im US-Arbeitsmarkt übereinstimmt, und schlägt darauf aufbauend Prinzipien für aussagekräftigere Benchmarks vor.
Die Arbeit stellt MERA vor, ein neuartiges retrieval-augmentiertes Framework, das durch einen hierarchischen Multi-Expert-Ansatz und eine auf der Dempster-Shafer-Theorie basierende, zuverlässigkeitsbewusste Fusionsstrategie den State-of-the-Art bei der Identifizierung von Protein-Aktivstellen erreicht.
Die Studie stellt CLEO vor, ein System, das menschliche und KI-Agenten durch die Echtzeit-Interpretation paralleler Aktionen auf gemeinsamen Artefakten befähigt, dynamisch zwischen Delegation, Steuerung und gleichzeitiger Zusammenarbeit zu wechseln, um so die Grenzen der aktuellen Mensch-Agenten-Kollaboration zu überwinden.
Die Arbeit stellt Whisper-RIR-Mega vor, einen neuen Benchmark-Datensatz aus gepaarten sauberen und halligen Sprachaufnahmen, der die Robustheit verschiedener Whisper-ASR-Modelle gegenüber Raumakustik-Effekten systematisch bewertet und dabei zeigt, dass Hall die Erkennungsleistung konsistent verschlechtert.
Die Arbeit stellt RigidSSL vor, ein geometrisches Vorpretraining-Framework, das durch rigideitätsbewusstes selbstüberwachtes Lernen auf großen Strukturdaten und Molekulardynamik-Simulationen die Designfähigkeit, Vielfalt und physikalische Realitätsnähe von generativen Protein-Design-Modellen erheblich verbessert.
Die vorgestellte Arbeit demonstriert, dass ein neuro-symbolischer Ansatz, der Large Language Models zur Generierung von Hilfslemmata mit Constraint-Lösern kombiniert, die Erfolgsrate beim Lösen von Induktionsdefinitionen um etwa 25 % gegenüber dem aktuellen Stand der Technik steigert.
Diese Studie leitet aus einer qualitativen Analyse von Chatbot-Entwicklungsdaten und Experteninterviews vier zentrale Themenbereiche ab, um die oft fragmentierte operative Gestaltung von Human-in-the-Loop-Prinzipien im gesamten Lebenszyklus von KI-Anwendungen zu präzisieren.
Die Arbeit stellt „Companion" vor, ein robotisches Zeichensystem, das durch die Integration von Large Language Models und Echtzeit-Interaktion den Menschen wieder in den kreativen Prozess einbindet und so eine synergistische, bidirektionale Zusammenarbeit für das visuelle Geschichtenerzählen ermöglicht, die von Experten als ästhetisch eigenständig und ausstellungsfähig bestätigt wurde.
Basierend auf einer Designstudie mit erfahrenen Forschern stellt das Paper ARC vor, ein integriertes System, das durch Multi-Datenbank-Integration, transparente iterative Suche und verifizierbare KI-Unterstützung die kognitive Belastung bei systematischen Literaturübersichten reduziert und Forscher von administrativen Aufgaben hin zu strategischer Exploration befähigt.
Die Arbeit stellt „Traversal-as-Policy" vor, eine Methode, bei der aus erfolgreichen OpenHands-Executions-Logs ein ausführbarer, gate-gesteuerter Verhaltensbaum abgeleitet wird, der als externe, überprüfbare Richtlinie dient und damit die Erfolgsrate von LLM-Agenten signifikant steigert, während Sicherheitsverletzungen nahezu eliminiert und die Kosten gesenkt werden.