2384 Arbeiten
Das Paper stellt RedFuser vor, ein automatisches Framework, das mithilfe einer formalen theoretischen Methode kaskadierte Reduktionsoperationen in AI-Beschleunigern effizient fusioniert und damit im Vergleich zu aktuellen Compilern Geschwindigkeitssteigerungen von bis zu 5-fach erzielt.
Diese Arbeit stellt ein Governance- und Evaluierungsrahmenwerk für deterministische, regelbasierte klinische Entscheidungsunterstützungssysteme bei der empirischen Antibiotikaverschreibung vor, das Transparenz, Auditierbarkeit und konservatives Verhalten durch explizite Abstinenzregeln und synthetische Validierungsszenarien sicherstellt.
Der Artikel analysiert die rechtlichen Herausforderungen der Identifizierung und Zurechnung von Haftung für autonome KI-Agenten und schlägt als Lösung das Konzept der „Algorithmischen Gesellschaft" (A-corp) vor, eine rechtliche Fiktion, die menschliches Eigentum mit KI-Management verbindet, um sowohl die Zuordnung zu menschlichen Prinzipalen als auch die stabile rechtliche Einordnung der KI-Entitäten selbst zu gewährleisten.
Die Arbeit stellt dmaplane vor, ein Linux-Kernel-Modul, das durch explizite Puffer-Orchestrierung, NUMA-bewusste Verwaltung und RDMA-Integration eine stabile Schnittstelle für hochperformante, sicherheitskritische Datenpfade in KI-Anwendungen bereitstellt.
Diese Studie präsentiert eine umfassende Benchmark- und Deployment-Analyse der LLM-Inferenz auf AMD Instinct MI325X-GPUs, die zeigt, dass architekturspezifische Optimierungen wie die selektive Nutzung des AITER-Runtimes und angepasste Blockgrößen entscheidend für die Leistung sind, während alle getesteten Modelle bei hohen Parallelitätsgraden an eine Speicherbandbreitenbegrenzung stoßen, aber dennoch eine hohe Zuverlässigkeit aufweisen.
Die Arbeit stellt HTM-EAR vor, ein hierarchisches Tiered-Memory-System mit hybrider Routing-Strategie und bewusster Verdrängung, das unter Sättigungsbedingungen durch den Erhalt wichtiger Informationen und gezieltes Vergessen veralteter Fakten die Abfragepräzision signifikant verbessert.
Diese Arbeit stellt ein umfassendes Benchmark-Framework vor, das den Fortschritt von Graph-Grundmodellen durch eine neuartige Zwei-Achsen-Evaluierung von Themen- und Formatverschiebungen über den gesamten Lernprozess hinweg systematisch bewertet und dabei neue empirische Erkenntnisse für zukünftige Forschung liefert.
Die Studie stellt Flip-Agent vor, das erste gezielte Bit-Flip-Angriffsframework für LLM-basierte Agenten, das durch Manipulation von Hardware-Fehlern sowohl Endausgaben als auch Tool-Aufrufe in realen Szenarien effektiv sabotiert.
Die Arbeit stellt das AMB-DSGDN-Modell vor, das durch adaptive Modality-Balancing-Mechanismen und einen differentiellen Graph-Attention-Ansatz redundante Signale filtert und dominante Modalitäten ausgleicht, um die multimodale Emotionserkennung in Dialogen zu verbessern.
Die Studie zeigt, dass die Evaluierungsformate (z. B. Multiple-Choice vs. offen) einen größeren Einfluss auf gemessene Sicherheitswerte haben als die Scaffolding-Architekturen selbst, was universelle Sicherheitsaussagen unmöglich macht und eine kontextspezifische Prüfung pro Modell und Konfiguration erfordert.
Die vorgeschlagene Methode zur kontinuierlichen Lernfähigkeit in der menschlichen Aktivitätserkennung nutzt eine parametereffiziente, kanalweise gated Modulation eingefrorener vortrainierter Merkmale, um durch selektive Skalierung statt neuer Merkmalsgenerierung sowohl Stabilität gegen katastrophales Vergessen als auch Plastizität für neue Subjekte zu gewährleisten.
Die Studie stellt fünf Prompt-Engineering-Strategien vor, um Halluzinationen in industriellen LLM-Anwendungen zu reduzieren, und zeigt, dass insbesondere die „Enhanced Data Registry"-Methode (M4) über 100 Durchläufe hinweg konsistent die besten Ergebnisse liefert, während eine überarbeitete Version von M2 die größte relative Verbesserung aufweist.
Die Arbeit stellt XSAM vor, eine verbesserte und effiziente Implementierung von Sharpness-Aware Minimization, die durch eine intuitivere Interpretation des Gradienten und eine explizite Richtungsbestimmung des Maximums die Generalisierungsfähigkeit von neuronalen Netzen über bestehende Methoden hinaus optimiert.
Das Paper stellt InFusionLayer vor, ein Open-Source-Python-Tool, das auf Kombinatorischer Fusionsanalyse (CFA) basiert, um durch die Integration von Rang-Score-Charakteristik und kognitiver Diversität Ensemble-Methoden für überwachte und unüberwachte Klassifizierungsprobleme in gängigen Machine-Learning-Frameworks zu ermöglichen.
Die Arbeit stellt FlowSem-MAE vor, einen tabellenbasierten Masked Autoencoder, der durch die Berücksichtigung protokollspezifischer Feldsemantik und die Vermeidung von Induktionsverzerrungen bei der Verschlüsselungstraffik-Klassifizierung den aktuellen Stand der Technik übertrifft und dabei deutlich weniger gelabelte Daten benötigt.
Die Studie zeigt, dass das Vortraining von Sprachmodellen auf synthetischen, nicht-sprachlichen Daten aus neuronalen zellulären Automaten die Leistung und Konvergenzgeschwindigkeit im Vergleich zu herkömmlichen Textdaten verbessert und einen effizienteren Weg zu intelligenten Modellen durch vollständig synthetisches Pre-Training eröffnet.
Diese Arbeit stellt einen agenten Rahmen für künstliche Intelligenz-Rechnungen (AIBOMs) vor, der statische Software-Bills-of-Materials durch autonome Multi-Agenten-Systeme in dynamische, kontextbewusste Nachweisartefakte erweitert, um Reproduzierbarkeit und Schwachstellenbewertung unter sich ändernden Laufzeitbedingungen zu verbessern.
Das Paper stellt NabaOS vor, ein leichtgewichtiges Verifizierungsframework, das auf der indischen Erkenntnistheorie Nyaya Shastra basiert und durch HMAC-signierte Tool-Empfangsbestätigungen in Echtzeit Halluzinationen von KI-Agenten mit minimalem Latenzüberhead erkennt, wodurch es die Unpraktikabilität kryptografischer Zero-Knowledge-Beweise für interaktive Anwendungen überwindet.
Diese Positionspapier betrachtet Multi-Agenten-Speicher als Computer-Architekturproblem, schlägt eine dreischichtige Speicherhierarchie vor und identifiziert die Konsistenz des Multi-Agenten-Speichers als die dringendste offene Herausforderung für zuverlässige und skalierbare Systeme.
Diese Arbeit stellt den Epistemischen Unterstützungs-Punkt-Filter (ESPF) als den optimalen, evidenzbasierten Filter vor, der Jaynes' Maximum-Entropie-Prinzip mit Popper's Falsifikation verbindet, um die worst-case epistemische Unwissenheit zu minimieren und dabei Bayessche Ansätze durch eine possibilistische Minimax-Optimierung zu übertreffen.