2385 Arbeiten
Das Paper stellt NasoVoce vor, eine unauffällige, an der Nasenbrücke montierte Schnittstelle, die durch die Fusion von Mikrofon- und Vibrationssensordaten eine robuste und diskrete Spracherkennung für leise und geflüsterte Sprache in lauten Umgebungen ermöglicht.
Die Arbeit stellt PC-Diffuser vor, einen Sicherheitsrahmen, der eine zertifizierbare, pfadkonsistente Barrieren-Funktion direkt in den Denoising-Prozess eines diffusionsbasierten Trajektorienplaners integriert, um Kollisionsrisiken unter Berücksichtigung der Fahrzeuggometrie zu minimieren und gleichzeitig die geometrische Integrität der gelernten Planung zu erhalten.
Die Studie zeigt, dass reasoning-basierte Reranker im Vergleich zu herkömmlichen Ansätzen weder die Fairness in Suchergebnissen verbessern noch verschlechtern, sondern deren Fairness-Eigenschaften aus dem Eingangsranking weitgehend unverändert übernehmen.
Die Arbeit stellt Concept-Gated Visual Distillation (CGVD) vor, ein trainingsfreies Inferenzframework, das die Robustheit von Vision-Language-Action-Modellen in überfüllten Umgebungen durch die Trennung relevanter Ziele von visuellen Ablenkungen und die Erzeugung einer bereinigten Szenenrepräsentation signifikant verbessert.
Das Paper stellt FairFAL vor, ein adaptives Framework für das federierte aktive Lernen, das durch die Analyse von Modellunterschieden und eine prototypengestützte Abfragestrategie die Effektivität unter extremen nicht-IID-Bedingungen und globaler Klassenungleichgewicht signifikant verbessert.
Die Arbeit stellt DIBJudge vor, ein Feinabstimmungsframework, das mittels eines entkoppelten Informationsbottlenecks und einer Kreuzkovarianzstrafe die systematische Verzerrung von mehrsprachigen LLMs zugunsten maschinell übersetzter Texte („Translationese") effektiv reduziert.
Die Arbeit stellt GenCC vor, ein Framework, das die Code-Generierungsfähigkeiten von Large Language Models (LLMs) nutzt, um effiziente Staukontroll-Utility-Funktionen zu entwerfen, die je nach Szenario den Stand der Technik um 37 % bis 142 % verbessern.
Das Papier stellt HEAL vor, ein RL-freies Framework zur Wissensdistillation von großen zu kleineren Reasoning-Modellen, das durch die Kombination aus entropiegestützter Fehlerkorrektur, Unsicherheitsfilterung und einem progressiven Lehrplan die Grenzen traditioneller Rejektions-Sampling-Methoden überwindet.
Diese Arbeit stellt einen dynamischen Wissensfusionsrahmen vor, der durch kontrastives Lernen und strukturierte Slot-Auswahl die Herausforderungen der Modellierung von Dialoghistorie und begrenzter annotierter Daten in der mehrdomänigen Dialogzustandsverfolgung adressiert und so Genauigkeit sowie Generalisierungsfähigkeit signifikant verbessert.
Die Arbeit stellt zwei neue Architekturen, AttnLFA und AttnMVP, vor, die durch die Beseitigung ineffizienter Interleaving-Mechanismen und die explizite Modellierung kausaler Abhängigkeiten zwischen Artikeln und Aktionen die Effizienz und Leistung von generativen Empfehlungssystemen signifikant steigern.
Diese Arbeit stellt ein Framework zur Few-Shot-Adaptation in nicht-stationären Robotikumgebungen vor, das durch die Schätzung eines latenten „Trend ID" bei festen Modellparametern Konzeptverschiebungen bewältigt und dabei katastrophales Vergessen sowie hohe Rechenkosten vermeidet.
Die Studie „Reactive Writers" zeigt, dass das Schreiben mit KI zu einer reaktiven Praxis führt, bei der Autoren sich primär auf KI-Vorschläge verlassen, bevor sie eigene Ideen entwickeln, was zu unbeabsichtigten Meinungsverschiebungen führt, während sie dennoch das Gefühl der vollen Kontrolle behalten.
Die Arbeit stellt Causal Concept Graphs (CCG) vor, eine Methode, die sparse Autoencoder mit differentiablem Struktur-Lernen kombiniert, um kausale Abhängigkeiten zwischen Konzepten im latenten Raum von Sprachmodellen zu identifizieren und nachzuweisen, dass graphenbasierte Interventionen die reasoning-Fähigkeiten signifikant effektiver verbessern als bestehende Ansätze.
Diese Arbeit leitet ein skalierbares Gesetz her, das die optimale Aufteilung der Rechenleistung zwischen Experten- und Aufmerksamkeits-Schichten in Mixture-of-Experts-Modellen bestimmt, um die Leistung bei festem Budget zu maximieren und die Chinchilla-Skalierungsgesetze zu erweitern.
Die Arbeit stellt TRACED vor, ein geometrisches Rahmenwerk, das die Zuverlässigkeit von LLMs durch die Analyse von Fortschritts- und Stabilitätsmustern in Denkprozessen bewertet und dabei Halluzinationen als instabile Trajektorien mit hoher Krümmung identifiziert.
Diese Arbeit stellt einen neuartigen probabilistischen Sicherheitsrahmen für die Mensch-Roboter-Interaktion vor, der Kontrollbarrierefunktionen mit konformer Risikosteuerung kombiniert, um durch dynamisch angepasste Sicherheitsmargen formale Garantien für die Einhaltung von Sicherheitsbedingungen zu bieten und gleichzeitig Kollisionsraten signifikant zu senken.
Die Arbeit schlägt vor, Prompt-basierte Techniken auf der Grundlage ungenauer Wahrscheinlichkeiten einzuführen, um sowohl die erste als auch die zweite Ordnung der Unsicherheit von großen Sprachmodellen zu erfassen und so deren Zuverlässigkeit in mehrdeutigen Szenarien zu verbessern.
Diese Arbeit analysiert die Lern dynamik von zweischichtigen linearen Netzwerken unter label-noise SGD und zeigt, dass das Rauschen einen kritischen Übergang vom „lazy" zum „rich" Regime bewirkt, was die verbesserte Generalisierung erklärt und auf Sharpness-Aware Minimization (SAM) verallgemeinert werden kann.
Die Arbeit stellt den PP-LUCB-Algorithmus vor, der durch die Kombination von verzerrten LLM-Bewertungen mit kostengünstigen, selektiven menschlichen Audits und einer speziellen Schätzmethode die effiziente Identifizierung optimaler Servicekonfigurationen ermöglicht und dabei die Auditkosten um 90 % senkt.
Die Arbeit stellt STemDist vor, die erste Dataset-Distillationsmethode für die spatio-temporale Vorhersage, die durch eine ausgewogene zweidimensionale Kompression von Raum und Zeit sowie eine Cluster-basierte Verfeinerung die Trainingszeit und den Speicherbedarf signifikant reduziert und gleichzeitig die Vorhersagegenauigkeit verbessert.