2385 Arbeiten
Diese Arbeit stellt einen mehrstufigen Ensemble-Ansatz vor, der Stacking-Klassifikatoren, Autoencoder und adversariales Training kombiniert, um die Robustheit von ML-basierten Netzwerk-Intrusion-Detection-Systemen gegen Angriffe mittels GAN und FGSM auf den Datensätzen UNSW-NB15 und NSL-KDD zu erhöhen.
Diese Arbeit stellt einen domänenadaptiven Rahmen vor, der durch abbaustufen-synchronisierte Stichprobenziehung und einen cross-domänen ausgerichteten großen Autoencoder mit großen Kerneln und Cross-Attention-Mechanismen die Erstellung robuster Gesundheitsindikatoren für die Prognose und das Gesundheitsmanagement unter variierenden Betriebsbedingungen verbessert.
Die Arbeit zeigt, dass das Entfernen einer kohärenten Rang-eins-Mittelwertverzerrung die numerische Instabilität bei der FP4-Quantisierung von LLMs effektiv behebt und so eine hardwareeffiziente, stabile Ausbildung ermöglicht, die das Leistungsniveau von BF16 nahezu erreicht.
Das Paper stellt FAR-Dex vor, ein hierarchisches Framework, das Few-Shot-Datenaugmentierung mit adaptiver Residual-Verfeinerung kombiniert, um die Robustheit und Präzision bei der dexterousen Manipulation durch Arm-Hand-Koordination zu verbessern.
Das Paper stellt UniPINN vor, ein einheitliches Framework für Physics-Informed Neural Networks, das durch eine geteilte-spezialisierte Architektur, einen Cross-Flow-Attention-Mechanismus und eine dynamische Gewichtsverteilung die Herausforderungen des Multi-Task-Lernens für diverse Navier-Stokes-Gleichungen löst und so negative Transfer-Effekte minimiert sowie die Vorhersagegenauigkeit verbessert.
Das Papier stellt G-STAR vor, ein End-to-End-System, das ein zeitbewusstes Sprecher-Tracking-Modul mit einem Speech-LLM kombiniert, um für lange, überlappende Mehrpersonengespräche konsistente, zeitgestempelte und sprecherattribuierte Transkripte zu erzeugen.
Die vorgestellte Arbeit schlägt ein einheitliches Framework vor, das durch die Kombination globaler Langzeitpräferenzen und lokaler, stufenweiser temporaler Subgraphen mit LSTM- und Self-Attention-Komponenten die dynamische Entwicklung von Nutzerinteressen für eine zeitnahe und relevantere Nachrichtenempfehlung modelliert.
Die Arbeit stellt SearchLLM vor, das erste Large Language Model für offene generative Suche, das durch ein hierarchisches Belohnungssystem und GRPO-Training entwickelt wurde, um in der RedNote-Suchmaschine sowohl die Antwortqualität als auch die Nutzerbindung zu verbessern, während strenge Sicherheits- und Zuverlässigkeitsstandards gewahrt bleiben.
Diese Arbeit stellt einen Multi-Agenten-Rahmen vor, der durch selbstspielbasierte Verhandlungen zwischen gegensätzlichen Personas und RLAIF-Optimierung Large Language Models in die Lage versetzt, kollektive Werteausrichtung und Konfliktlösung in Mehrparteien-Szenarien zu verbessern, ohne die allgemeinen Sprachfähigkeiten zu beeinträchtigen.
Das Paper stellt JEDI vor, ein hierarchisches Modell, das durch das gemeinsame Lernen von kontextuellen Einbettungen und rekurrenten Gewichten neuronale Dynamiken über verschiedene Aufgaben hinweg aus experimentellen Aufzeichnungen effizient und generalisierbar inferiert.
Die Studie zeigt, dass die naive Nutzung kommerzieller Generativer-KI-Chatbots durch Benutzer, die deren interne Authentizitätskriterien für die Bildverfeinerung ausnutzen, moderne Deepfake-Erkennungssysteme wirksam umgeht, während gleichzeitig die Identität erhalten bleibt und die Bildqualität steigt.
Diese Arbeit stellt ein ressourcenschonendes, hybrides Entscheidungsframework für das Amazons-Schach vor, das Graph-Attention-Autoencoder mit der generativen Kraft von GPT-4o-mini kombiniert, um durch synthetische Daten und strukturelles Rauschen eine überlegene Spielstärke zu erreichen, die sogar die des zugrundeliegenden Lehrmodells übertrifft.
Die Arbeit stellt IH-Challenge vor, ein Reinforcement-Learning-Datenset, das die Robustheit von Sprachmodellen gegenüber Konflikten in der Instruktionshierarchie signifikant verbessert, indem es Sicherheitsverletzungen reduziert und gleichzeitig die Hilfsbereitschaft erhält.
Diese Arbeit stellt ein Multi-Agenten-Reinforcement-Learning-Framework vor, das auf dem Proximal Policy Optimization-Algorithmus basiert, um Drohnenschwärme für die dynamische und priorisierte Lieferung medizinischer Güter in unsicheren Umgebungen zu koordinieren.
Die Studie zeigt, dass die Leistung von 11 promptierbaren Foundation-Modellen bei der Segmentierung muskuloskelettaler CT-Bilder stark von der Prompt-Strategie und der anatomischen Komplexität abhängt, wobei die Performance mit menschlichen Prompts im Vergleich zu idealisierten Referenz-Prompts signifikant sinkt und die Modellauswahl für klinische Anwendungen weiterhin herausfordernd bleibt.
Die Arbeit stellt SCORE vor, eine ressourceneffiziente Alternative zum klassischen Schichtstapel, die durch wiederholte Anwendung eines einzigen geteilten neuronalen Blocks mit einem kontraktiven ODE-inspirierten Update-Verfahren die Konvergenzgeschwindigkeit verbessert und die Parameteranzahl reduziert.
Diese Arbeit stellt ein neuartiges, datenfreies Framework vor, das vortrainierte Vision-Language-Modelle durch einen spezialisierten Adapter nutzt, um in der aktiven Infrarotthermografie von CFK-Werkstoffen Subsurface-Defekte ohne umfangreiche Trainingsdaten in Null-Shot-Szenarien präzise zu lokalisieren und zu analysieren.
Diese Arbeit stellt ein neuartiges Selbst-Feinabstimmungs-Framework vor, das Generative KI-Agenten durch einen bi-perspektivischen Reflexionsmechanismus befähigt, langfristige Erfahrungen in ihre Parameter zu integrieren und so ohne handgefertigte Belohnungssignale eine robuste, adaptive Steuerung dynamischer RAN-Slicing-Aufgaben zu erreichen, die herkömmliche Reinforcement-Learning- und LLM-Ansätze in Bezug auf Effizienz und Stabilität übertrifft.
Die Studie „CUAAudit" untersucht die Eignung von Vision-Language-Modellen als autonome Prüfsysteme für Computer-Use-Agents und zeigt, dass diese trotz guter Genauigkeit in komplexen Umgebungen an Zuverlässigkeit verlieren und erhebliche Diskrepanzen in ihren Bewertungen aufweisen, was die Notwendigkeit einer expliziten Berücksichtigung von Unsicherheit und Varianz bei der Evaluierung unterstreicht.
Diese empirische Studie widerlegt die Hypothese, dass Ausrichtungsaufgaben für Large Language Models zwingend diversitätsfördernde Algorithmen benötigen, und zeigt, dass konventionelle, belohnungsmaximierende RLVR-Methoden auch für das moralische Reasoning effektiv sind, da sich hochbewertete Antworten in diesem Bereich in einem konzentrierten semantischen Raum befinden.