6557 Arbeiten
Diese Studie analysiert auf Basis einer globalen Umfrage unterschiedliche kulturelle Perspektiven und Erwartungen an Generative KI, um daraus handlungsleitende Empfehlungen für eine kultursensible und partizipative KI-Entwicklung abzuleiten.
Das Paper stellt LTLGuard vor, ein modulares Werkzeug, das kompakte Sprachmodelle mit formalen Konsistenzprüfungen kombiniert, um aus unpräzisen natürlichen Sprachanforderungen korrekte und widerspruchsfreie LTL-Spezifikationen zu generieren.
Diese Arbeit zeigt, dass Best-of-N-Sampling unter praxisnahen Annahmen bezüglich der Win-Rate statistisch und rechnerisch optimal ist, und schlägt eine einfache Variante vor, die Reward-Hacking eliminiert, ohne die Leistung zu beeinträchtigen.
Die Studie stellt TML-Bench vor, einen Benchmark zur Evaluierung autonomer Data-Science-Agenten auf Tabular-Machine-Learning-Aufgaben, der zeigt, dass das MiniMax-M2.1-Modell über vier Kaggle-Wettbewerbe hinweg die beste Gesamtleistung erzielt und die Erfolgsquote mit längeren Zeitbudgets steigt.
Die Arbeit stellt SCORE vor, eine Methode zur Subraum-Konfliktlösung, die durch die Projektion von Task-Matrizen auf eine gemeinsame orthogonale Basis die Generalisierungsfähigkeit von fusionierten Modellen auf unbekannte Domänen verbessert.
Die Arbeit stellt SAHA vor, ein neues Jailbreak-Framework, das durch die gezielte Manipulation tieferer, unzureichend abgestimmter Aufmerksamkeitsköpfe mittels einer Ablations-basierten Auswahlstrategie und schichtweiser Perturbation die Sicherheit von Open-Source-LLMs effektiver umgeht als bisherige Methoden.
Diese Arbeit stellt die Disentangled Safety Hypothesis (DSH) vor, die Sicherheitsmechanismen in großen Sprachmodellen in zwei entkoppelte Unterräume – Erkennung und Ausführung – zerlegt, um durch gezielte Angriffe wie den „Refusal Erasure Attack" (REA) ein „Wissen ohne Handeln" zu erzeugen und so die Anfälligkeit aktueller Sicherheitsalignments aufzuzeigen.
Die Studie stellt PVminerLLM vor, einen speziell feinabgestimmten Large Language Model, der Patiententexte zuverlässig strukturiert analysiert und dabei Prompt-basierte Baseline-Modelle in der Extraktion von sozialen und erfahrungsbasierten Gesundheitsfaktoren deutlich übertrifft.
Diese Studie zeigt, dass ein personalisierter Diversitäts-Nudge-Framework mit einem dualen Kalibrierungsalgorithmus die Vielfalt des Nachrichtenkonsums (inländisch und global) bei US-Nutzern erfolgreich steigern kann, wobei die Relevanz zu vorher gelesenen Artikeln ein stärkerer Klick-Prädiktor ist als generische Themen und langfristige Exposition zu einer Präferenz für ausgewogene Nachrichten führt.
Die Arbeit stellt BM25-V vor, ein effizientes zweistufiges Bildsuchsystem, das Okapi-BM25-Bewertungen auf spärliche visuelle Wortaktivierungen eines Sparse Auto-Encoders anwendet, um eine hohe Trefferquote zu erreichen und gleichzeitig die Interpretierbarkeit der Suchergebnisse zu verbessern.
Die Arbeit stellt „Proof-of-Guardrail" vor, ein System, das mithilfe von Trusted Execution Environments (TEEs) kryptografische Nachweise für die Ausführung von Sicherheitsguardrails durch KI-Agenten ermöglicht, um das Vertrauen in die Sicherheit zu stärken, gleichzeitig aber vor Täuschungsversuchen durch böswillige Entwickler warnt.
Der Paper stellt StreamWise vor, ein adaptives, modulares Serversystem, das durch dynamisches Management von Qualität, Parallelisierung und ressourcenbewusster Planung auf heterogener Hardware effiziente Echtzeit-Multi-Modal-Generierung (z. B. für Podcast-Videos) unter strengen Latenz- und Kosteneinschränkungen ermöglicht.
Diese Arbeit führt das Konzept des „Ambiguitätskollapses" ein, bei dem Large Language Models mehrdeutige Begriffe in eine einzige Interpretation zwingen, und entwickelt eine Taxonomie der daraus resultierenden epistemischen Risiken auf Prozess-, Output- und Ökosystemebene, um schließlich Lösungsansätze für den bewussten Umgang mit Ambiguität zu skizzieren.
Die Arbeit stellt MaCS vor, ein architekturunabhängiges Regularisierungsframework, das durch die Kombination von Margin- und Konsistenzstrafen die Kalibrierung und Robustheit von Vision-Modellen verbessert, ohne zusätzliche Daten oder Architekturänderungen zu erfordern.
Das Paper stellt Lexara vor, ein benutzerzentriertes Toolkit zur Evaluierung von Large Language Models für konversationelle visuelle Analysen, das auf Interviews mit Entwicklern und Nutzern basiert und realistische Testfälle sowie interpretierbare Metriken für die Bewertung von Visualisierungs- und Sprachqualität ohne Programmierkenntnisse bereitstellt.
Diese Studie analysiert die interne Repräsentation von Vertrauen im Modell EleutherAI/gpt-j-6B und zeigt, dass diese am stärksten mit dem sozio-kognitiven Modell von Castelfranchi übereinstimmt, was neue Einblicke in die soziale Kognition von KI-Systemen ermöglicht.
Diese Arbeit stellt eine Deep-Ensemble-Methode vor, die CNNs und Vision Transformers kombiniert, um durch das Ensembling vier unabhängiger Fusionsmodelle die Redundanz zu überwinden und bei der Klassifizierung von Fernerkundungsbildern auf mehreren Datensätzen hohe Genauigkeit mit effizienten Ressourcen zu erreichen.
Die Arbeit stellt MACRO vor, einen sich selbst weiterentwickelnden medizinischen Agenten, der durch erfahrungsbasierte Entdeckung und Synthese wiederverwendbarer Werkzeugkombinationen die starre Tool-Nutzung überwindet und so die Genauigkeit sowie die domänenübergreifende Generalisierung bei der medizinischen Bildanalyse verbessert.
Diese Übersichtsarbeit fasst internationale Expertenperspektiven zusammen, die die verantwortungsvolle klinische Integration von computergestützter Pathologie durch aufkommende Fundamentmodelle und Agenten bewerten, indem sie den aktuellen Nutzen mit den technischen, wirtschaftlichen und regulatorischen Herausforderungen für die breite Anwendung in der Patientenversorgung in Verbindung bringen.
Die vorgestellte Arbeit stellt JHCodec vor, einen neuronalen Audio-Codec, der durch die Einführung eines selbstüberwachten Rekonstruktionsverlusts (SSRR) eine hohe Sprachverständlichkeit bei minimaler Latenz und geringen Trainingskosten erreicht, ohne zusätzliche Lookahead-Fenster zu benötigen.