2384 Arbeiten
Die Studie zeigt, dass autonome KI-Analysten große Datenmengen kostengünstig analysieren können, wobei sie jedoch aufgrund unterschiedlicher analytischer Entscheidungen zu stark variierenden Ergebnissen führen, was die Notwendigkeit einer neuen Transparenznorm mit Multiversen-Berichterstattung unterstreicht.
Die Arbeit stellt LAVIDA vor, ein Zero-Shot-Framework zur Videoanomalieerkennung, das mittels eines Anomalie-Exposure-Samplers, multimodaler Sprachmodelle und einer Token-Komprimierung auf rein synthetischen Daten trainiert wird und damit in offenen Szenarien state-of-the-art Ergebnisse erzielt.
Der Beitrag stellt PatchDenoiser vor, einen ultra-leichten und energieeffizienten Denoising-Ansatz für Low-Dose-CT-Bilder, der durch multi-skaliges Patch-Lernen und eine raumbezogene Fusionsstrategie Rauschen effektiv unterdrückt, während er feine anatomische Details bewahrt und dabei die Parameterzahl sowie den Energieverbrauch im Vergleich zu herkömmlichen CNN-Methoden drastisch reduziert.
Die Arbeit stellt Hubscan vor, einen Open-Source-Sicherheitsscanner, der durch eine Multi-Detektor-Architektur und statistische Analysen „Hubness"-Angriffe in Retrieval-Augmented-Generation-Systemen effektiv identifiziert und dabei eine hohe Trefferquote bei minimalen Fehlalarmen erreicht.
Die Arbeit stellt AMLRIS vor, eine einfache und effektive Trainingsstrategie für die Referenzbildsegmentation, die durch das Quantifizieren der visuell-textuellen Ausrichtung und das Filtern von nicht übereinstimmenden Pixeln während des Trainings neue State-of-the-Art-Ergebnisse auf allen RefCOCO-Datensätzen erzielt, ohne die Modellarchitektur zu ändern oder Inferenz-Overhead zu verursachen.
Die Autoren stellen einen minimalen, quelloffenen Agenten vor, der durch iterative Beweisverfeinerung und Bibliothekssuche mit komplexeren Systemen konkurrieren kann und dabei eine höhere Sample-Effizienz sowie Kosteneffektivität bietet.
Die Studie zeigt, dass sicherheitsausgerichtete KI-Modelle legitime Cyber-Verteidigungsaufgaben aufgrund von semantischen Ähnlichkeiten mit Angriffsszenarien übermäßig ablehnen, was insbesondere bei kritischen Aufgaben wie Systemhärtung und Malware-Analyse zu einem signifikanten „Defensive Refusal Bias" führt, der durch explizite Autorisierung sogar verschärft wird.
Die Arbeit stellt CARE vor, ein evidenzbasiertes, agentisches Framework für die multimodale medizinische Reasoning, das durch die Dekomposition in spezialisierte Module und die Integration von pixelgenauen Bildsegmentierungen die klinische Verantwortlichkeit und Genauigkeit im Vergleich zu bestehenden Black-Box-Modellen signifikant verbessert.
Die Arbeit stellt SEED-SET vor, ein skalierbares, bayesisches Framework für experimentelles Design, das durch die Kombination objektiver Bewertungen und subjektiver Stakeholder-Wertvorstellungen mittels hierarchischer Gauß-Prozesse die ethische Testung autonomer Systeme effizient und interpretierbar optimiert.
Die Arbeit stellt BrandFusion vor, ein neuartiges Multi-Agenten-Framework, das durch eine Offline-Wissensbasis und einen Online-Refinementsprozess mit fünf Agenten nahtlose, semantisch treue und wiedererkennbare Markeneinbettungen in promptgenerierte Videos ermöglicht und damit die kommerzielle Nutzung von Text-zu-Video-Modellen vorantreibt.
Diese Studie zeigt, dass parameter-effizientes Feintuning (PEFT) für Code-Analyse-Aufgaben nicht nur die Speicherkosten und Rechenleistung im Vergleich zum vollständigen Feintuning drastisch reduziert, sondern auch durch geschicktes Multi-Task-Learning die Leistung von einzelnen spezialisierten Modellen und sogar von großen generischen LLMs übertreffen kann.
Die Arbeit stellt TRU (Targeted Reasoning Unlearning) vor, eine neue Methode zum gezielten Entfernen unerwünschten Wissens aus großen Sprachmodellen, die durch einen begründungsbasierten Lernzielansatz die Sicherheit und Erklärbarkeit verbessert, ohne dabei die allgemeinen Fähigkeiten des Modells zu beeinträchtigen.
Die Arbeit stellt AraModernBERT vor, eine an das Arabische angepasste ModernBERT-Architektur, die durch transtokenisierte Initialisierung und native Modellierung langer Kontexte von bis zu 8.192 Token signifikante Verbesserungen bei der Sprachmodellierung und downstream-Aufgaben erzielt.
Die Arbeit stellt MoE-SpAc vor, ein Inferenzframework für Mixture-of-Experts-Modelle in heterogenen Edge-Umgebungen, das durch die Nutzung von spekulativer Dekodierung als Informationsquelle für das Speichermanagement und dynamische Lastverteilung eine signifikante Steigerung der Verarbeitungsgeschwindigkeit und Effizienz erreicht.
Diese empirische Studie zeigt, dass große Sprachmodelle mit geringer Leistung eine überproportionale Selbstüberschätzung aufweisen, was einem Dunning-Kruger-Effekt in der menschlichen Kognition entspricht und wichtige Implikationen für den sicheren Einsatz in hochriskanten Anwendungen hat.
Diese Studie quantifiziert die Halluzinationsrate von medizinischen Sprachmodellen anhand von Lehrbuchtexten und zeigt, dass trotz hoher Plausibilität signifikante Fehler auftreten, wobei Modelle mit geringeren Halluzinationsraten tendenziell von Ärzten als nützlicher eingestuft werden.
Die vorgestellte Arbeit entwickelt einen Rahmen zur Optimierung von Kontextdaten für LLM-gesteuerte Feature-Transformationen, der durch einen geschlossenen Regelkreis mit evolutionären, auf Reinforcement Learning basierenden Erfahrungsbibliotheken und einer diversitätsbewussten Auswahl die Effizienz und Leistungsfähigkeit gegenüber bestehenden Methoden signifikant steigert.
Diese Arbeit stellt eine Pipeline vor, die kausale Analyse von Aufmerksamkeitsköpfen in GPT-2 Small mit natürlichen Spracherklärungen verbindet und dabei zeigt, dass LLM-generierte Erklärungen qualitativ überlegen sind, während die hohe Suffizienz bei geringer Komprehensivität auf verteilte Backup-Mechanismen hindeutet.
Die vorgestellte Arbeit stellt die System Hallucination Scale (SHS) als ein leichtgewichtiges, menschlich zentriertes Messinstrument vor, das die Bewertung von Halluzinationsverhalten in großen Sprachmodellen aus Nutzersicht ermöglicht und durch eine Studie mit 210 Teilnehmern sowie statistische Analysen ihre Validität untermauert.
Diese Arbeit stellt eine zweistufige Architektur vor, die LLaMA-3.1-8B-Instruct zur Segmentierung und ein feinabgestimmtes Legal-Roberta-Large-Modell zur Klassifizierung von Klauseln in Nichtveröffentlichungsvereinbarungen (NDAs) nutzt, um deren manuelle Analyse durch hohe Genauigkeit und Effizienz zu automatisieren.