5592 Arbeiten
Der Paper stellt Omni-C vor, einen einzigen dichten Transformer-Encoder, der durch unimodales kontrastives Vor-Training auf großen unalignierten Daten heterogene Modalitäten wie Bilder, Audio und Text effizient in gemeinsamen Repräsentationen vereint und dabei den Bedarf an Mixture-of-Expert-Architekturen, gepaarter Überwachung oder Routing-Overhead eliminiert.
Die Arbeit stellt NGDBench vor, ein umfassendes Benchmark-System, das die Fähigkeiten neuronaler Modelle bei der Verarbeitung komplexer Graphdatenbanken mittels der Cypher-Abfragesprache bewertet und dabei erhebliche Defizite in Bezug auf strukturiertes Schlussfolgern und Rauschrobustheit aufzeigt.
Die Studie zeigt, dass das KI-Modell Boltz-2 zwar für das schnelle Vorab-Screening nützlich ist, jedoch aufgrund unzureichender energetischer Korrelationen und struktureller Unsicherheiten keine verlässliche Alternative zu physikbasierten Methoden für die präzise Identifizierung von Wirkstoffkandidaten darstellt.
Die Arbeit stellt JAWS vor, eine probabilistische Regularisierungsmethode, die durch räumlich adaptive Jacobian-Regulierung die Langzeitstabilität und Genauigkeit von neuronalen Operatoren bei der Simulation dynamischer Systeme verbessert, indem sie Kontraktion in glatten Regionen mit der Erhaltung von Gradienten an Singularitäten kombiniert.
Das Paper stellt VDCook vor, ein selbstentwickelndes Video-Daten-Betriebssystem, das Forschern und Domänenteams ermöglicht, durch natürliche Sprachabfragen und automatisierte Retrieval- sowie Syntheseprozesse dynamisch aktualisierbare, metadatenreiche Videodatensätze für das Training von Multimodalen Large Language Models (MLLMs) zu erstellen.
Diese Arbeit untersucht die durch KI-Entwicklungen ausgelösten Herausforderungen und Chancen für die Mensch-Daten-Interaktion, indem sie bestehende Grenzen in Bezug auf Unsicherheit, Skalierbarkeit und Interpretierbarkeit aufzeigt und einen Paradigmenwechsel hin zu kognitiv und wahrnehmungsorientierten, menschzentrierten Systemen für die Datenanalyse fordert.
Die Arbeit stellt EigenData vor, eine selbstentwickelnde Multi-Agenten-Plattform, die den gesamten Lebenszyklus von Daten für Funktionsaufrufe automatisiert und durch die Korrektur des BFCL-V3-Tests sowie die Einführung einer ergebnisorientierten Evaluierung die Übereinstimmung zwischen Modellrankings und menschlichen Bewertungen der funktionalen Korrektheit signifikant verbessert.
Die Studie zeigt, dass der Continuous-Time Koopman Autoencoder (CT-KAE) als leichtgewichtiges Ersatzmodell für die langfristige Vorhersage von Ozeanzuständen in einem zweischichtigen quasigeostrophischen System eine stabile und effiziente Alternative zu autoregressiven Transformer-Baselines darstellt, indem er nichtlineare Dynamiken in einen linearen latenten Raum projiziert und dabei über lange Zeiträume hinweg stabile Fehlerwachstumsraten sowie konsistente großskalige Statistiken gewährleistet.
Die Arbeit untersucht das Problem der Modelländerung für Beschreibungslogikkonzepte, indem sie die Operationen Eviction, Reception und Revision formal definiert und die Kompatibilität dieser Ansätze für die Logiken EL und ALC analysiert, wobei gezeigt wird, dass Revision nicht einfach als Kombination von Eviction und Reception aufgefasst werden kann.
Die Arbeit entwickelt ein theoretisches Modell, das zeigt, wie generative KI zwar individuelle Fertigkeiten angleicht, aber durch die Verlagerung von Wertschöpfung auf konzentrierte komplementäre Vermögenswerte zu zwei unterschiedlichen Regimen der Ungleichheit führen kann, wobei die endgültige Wirkung von der Technologiearchitektur und den Arbeitsmarktinstitutionen abhängt.
Die Arbeit stellt CBR-to-SQL vor, ein auf Fallbasiertem Schließen (CBR) basierendes Framework, das durch eine zweistufige Abrufstrategie und abstrakte Fallvorlagen die Genauigkeit und Robustheit von Text-zu-SQL-Übersetzungen im medizinischen Bereich im Vergleich zu herkömmlichen RAG-Ansätzen signifikant verbessert.
Die Arbeit stellt PRISM vor, eine Methode, die Imitationslernen und verstärkendes Lernen durch nutzerdefinierte Anweisungen und menschliches Feedback kombiniert, um Roboter-Manipulationsfähigkeiten effizient zu verfeinern und an neue Zielkonfigurationen anzupassen.
Das Paper stellt Tool-Genesis vor, ein diagnostisches Benchmark, das die Fähigkeit von Sprachagenten bewertet, aus abstrakten Anforderungen eigenständig Werkzeuge zu erstellen, und zeigt dabei, dass selbst fortschrittliche Modelle in einer One-Shot-Situation oft durch kleine Fehler in Schnittstellen und Logik scheitern, die sich im gesamten Prozesskette zu einem starken Leistungsabfall verstärken.
Diese Studie entwickelt ein GeoAI-Hybrid-Framework, das MGWR, Random Forest und ST-GCN integriert, um die nichtlinearen Wechselwirkungen zwischen Landnutzung und multimodalen Verkehrsflüssen in verschiedenen städtischen Morphologien präzise zu modellieren und dabei die Bedeutung des städtebaulichen Kontexts für die Verkehrsplanung unterstreicht.
Die Studie zeigt, dass das Vor-Training von Tokenisern für Physik-Foundation-Modelle die Recheneffizienz und Genauigkeit erheblich steigert, insbesondere wenn das Vor-Training auf demselben physikalischen System wie die nachgelagerte Aufgabe erfolgt.
Das Paper stellt DreamCAD vor, ein multimodales Generierungsframework, das durch die Darstellung von BReps als differentierbare parametrische Flächen und die Nutzung der neuen CADCap-1M-Datensammlung skalierbares, bearbeitbares CAD-Design aus unannotierten 3D-Meshes und Texten erzeugt und dabei den State-of-the-Art in geometrischer Genauigkeit und Benutzerpräferenz übertrifft.
Der Artikel stellt ein hybrides Management-System für die Echtzeit-KI-Service-Ökonomie vor, das nachweist, wie die Topologie von Abhängigkeitsgraphen die Stabilität dezentraler Ressourcenallokation bestimmt und durch die Kapselung komplexer Subgraphen in ressourcenschonende Schnittstellen die Preisvolatilität signifikant reduziert, ohne die Effizienz zu beeinträchtigen.
Die Studie stellt RACAS vor, ein roboteragnostisches Agentic-System, das mittels natürlicher Sprache und großer Sprachmodelle diverse Roboterplattformen ohne Anpassung des Quellcodes steuern kann und so die Hürden für die Prototypenentwicklung senkt.
Dieses Paper stellt ABRA vor, eine neue Methode zur Batch-Korrektur in der Hochdurchsatz-Zellbildanalyse, die das Problem als Domänen-Generalisierung formuliert und durch adversäres Lernen sowie geometrische Randbedingungen robuste Merkmalsdarstellungen für die Klassifizierung von siRNA-Perturbationen erzeugt.
Die Arbeit stellt den „Post Fusion Stabilizer" (PFS) vor, einen leichten Modul, der die Robustheit bestehender multimodaler 3D-Erkennungssysteme gegenüber Domänenverschiebungen und Sensoreffekten verbessert, ohne deren Architektur grundlegend zu verändern oder neu trainieren zu müssen.