cs.AI Arbeiten | Gist.Science

Structured Exploration vs. Generative Flexibility: A Field Study Comparing Bandit and LLM Architectures for Personalised Health Behaviour Interventions

Eine vierwöchige Feldstudie mit 54 Teilnehmern zeigt, dass zwar LLM-basierte Gesundheitsinterventionen als hilfreicher empfunden werden als vordefinierte Vorlagen, die zusätzliche Optimierung durch Contextual Bandits jedoch keinen signifikanten Mehrwert bot, da die wahrgenommene Nützlichkeit primär vom kontextuellen Eingehen auf Nutzerfeedback und nicht von der systematischen Exploration verschiedener Verhaltensänderungstechniken abhing.

Dominik P. Hofer, Haochen Song, Rania Islambouli, Laura Hawkins, Ananya Bhattacharjee, Meredith Franklin, Joseph Jay Williams, Jan D. Smeddinck2026-03-09🤖 cs.AI

SAHOO: Safeguarded Alignment for High-Order Optimization Objectives in Recursive Self-Improvement

Die Arbeit stellt SAHOO vor, ein praktisches Framework, das durch einen gelernten Zielabweichungsindex, die Durchsetzung sicherheitskritischer Invarianten und die Quantifizierung von Regressionsrisiken die Ausrichtungsdrift während des rekursiven Selbstverbesserungsprozesses überwacht und kontrolliert, um signifikante Qualitätssteigerungen bei gleichzeitiger Wahrung von Sicherheitsgrenzen zu ermöglichen.

Subramanyam Sahoo, Aman Chadha, Vinija Jain, Divya Chaudhary2026-03-09🤖 cs.AI

AI End-to-End Radiation Treatment Planning Under One Second

Die Studie stellt AIRT vor, ein tiefes Lernframework, das innerhalb einer Sekunde auf einer einzigen GPU direkt aus CT-Bildern und Konturen strahlentherapeutische Behandlungspläne für Prostatakrebs generiert und dabei eine Qualität aufweist, die mit dem etablierten RapidPlan Eclipse vergleichbar ist.

Simon Arberet, Riqiang Gao, Martin Kraus, Florin C. Ghesu, Wilko Verbakel, Mamadou Diallo, Anthony Magliari, Venkatesan Karuppusamy, Sushil Beriwal, REQUITE Consortium, Ali Kamen, Dorin Comaniciu2026-03-09🤖 cs.AI

K-MaT: Knowledge-Anchored Manifold Transport for Cross-Modal Prompt Learning in Medical Imaging

Das Paper stellt K-MaT vor, einen Prompt-Learning-Ansatz, der durch die Verankerung von Prompts an klinische Texte und die Ausrichtung von Manifold-Räumen mittels optimalen Transports die Übertragung von großen biomedizinischen Vision-Language-Modellen auf niedrigwertige Bildgebungsmodalitäten ohne Trainingsdaten ermöglicht und dabei den Zustand der Kunst erreicht.

Jiajun Zeng, Shadi Albarqouni2026-03-09🤖 cs.AI

MoEless: Efficient MoE LLM Serving via Serverless Computing

Das Paper stellt MoEless vor, ein serverloses Framework zur effizienten Bereitstellung von Mixture-of-Experts-LLMs, das durch lastproaktive Skalierung und Platzierung von Experten die Inferenz-Latenz um 43 % und die Kosten um 84 % im Vergleich zu bestehenden Lösungen reduziert.

Hanfei Yu, Bei Ouyang, Shwai He, Ang Li, Hao Wang2026-03-09🤖 cs.AI

Dynamic Chunking Diffusion Transformer

Das Paper stellt den Dynamic Chunking Diffusion Transformer (DC-DiT) vor, der durch einen lernbasierten Encoder-Router-Decoder adaptiv und datenabhängig die Anzahl der Tokens je nach Bildinhalt und Diffusionszeitpunkt optimiert, um die Recheneffizienz zu steigern und gleichzeitig die Bildqualität im Vergleich zu herkömmlichen DiT-Modellen zu verbessern.

Akash Haridas, Utkarsh Saxena, Parsa Ashrafi Fashi, Mehdi Rezagholizadeh, Vikram Appia, Emad Barsoum2026-03-09🤖 cs.AI

CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing

Dieses Paper stellt CLAIRE vor, ein hybrides Deep-Learning-Framework für die intelligente Qualitätskontrolle in der Fertigung, das durch einen optimierten Autoencoder komprimierte latente Repräsentationen erzeugt und mit einer spieltheoretischen Interpretierbarkeitstechnik eine robuste und erklärbare Fehlererkennung in hochdimensionalen Umgebungen ermöglicht.

Mohammadhossein Ghahramani, Mengchu Zhou2026-03-09🤖 cs.AI

ESAA-Security: An Event-Sourced, Verifiable Architecture for Agent-Assisted Security Audits of AI-Generated Code

Der Artikel stellt ESAA-Security vor, eine ereignisgesteuerte Architektur für verifizierbare Sicherheitsaudits von KI-generiertem Code, die durch eine strikte Trennung von heuristischer Agentenlogik und deterministischer Zustandsänderung über append-only-Logs eine nachvollziehbare, reproduzierbare und beweisbare Sicherheitsprüfung gewährleistet.

Elzo Brito dos Santos Filho2026-03-09🤖 cs.AI

Kinetic-based regularization: Learning spatial derivatives and PDE applications

Die Arbeit erweitert die kinetische Regularisierung (KBR) um zwei effiziente Schemata zur präzisen und rauschadaptiven Schätzung räumlicher Ableitungen, die sich erfolgreich für die stabile Lösung von PDEs auf unregelmäßigen Punktwolken unter Wahrung von Erhaltungssätzen einsetzen lassen.

Abhisek Ganguly, Santosh Ansumali, Sauro Succi2026-03-09🤖 cs.AI

Prompt Group-Aware Training for Robust Text-Guided Nuclei Segmentation

Die vorgestellte Arbeit führt ein prompt-gruppenbewusstes Trainingsframework ein, das die Empfindlichkeit von textgestützten Nukleus-Segmentierungsmodellen gegenüber Formulierungsunterschieden durch gruppenweise Konsistenzregularisierung und logit-basierte Constraints reduziert, ohne die Architektur oder Inferenz zu verändern.

Yonghuang Wu, Zhenyang Liang, Wenwen Zeng, Xuan Xie, Jinhua Yu2026-03-09🤖 cs.AI

Talk Freely, Execute Strictly: Schema-Gated Agentic AI for Flexible and Reproducible Scientific Workflows

Diese Arbeit stellt ein Schema-gated Orchestrierungs-Modell vor, das durch die Trennung von konversationeller Flexibilität und deterministischer Ausführung den Zielkonflikt zwischen natürlichsprachlicher Interaktion und reproduzierbaren wissenschaftlichen Workflows löst.

Joel Strickland, Arjun Vijeta, Chris Moores, Oliwia Bodek, Bogdan Nenchev, Thomas Whitehead, Charles Phillips, Karl Tassenberg, Gareth Conduit, Ben Pellegrini2026-03-09🤖 cs.AI

Physical Simulator In-the-Loop Video Generation

Die Arbeit stellt PSIVG vor, ein Framework, das einen physikalischen Simulator in den Diffusionsprozess integriert, um physikalisch konsistente und realistische Videogenerierung zu ermöglichen.

Lin Geng Foo, Mark He Huang, Alexandros Lattas, Stylianos Moschoglou, Thabo Beeler, Christian Theobalt2026-03-09🤖 cs.AI

A Reference Architecture of Reinforcement Learning Frameworks

Diese Arbeit schlägt eine Referenzarchitektur für Reinforcement-Learning-Frameworks vor, die durch eine Grounded-Theory-Analyse von 18 aktuellen Implementierungen entwickelt wurde, um eine gemeinsame Basis für Vergleich, Bewertung und Integration zu schaffen.

Xiaoran Liu, Istvan David2026-03-09🤖 cs.AI

CLoPA: Continual Low Parameter Adaptation of Interactive Segmentation for Medical Image Annotation

Die Studie stellt CLoPA vor, eine kontinuierliche Anpassungsstrategie, die durch das Feinabstimmen eines kleinen Teils der Parameter des nnInteractive-Modells auf annotierten Daten die Segmentierungsleistung in der medizinischen Bildgebung schnell auf Expertenniveau hebt, ohne neue Parameter oder Änderungen am Inferenzprozess zu erfordern.

Parhom Esmaeili, Chayanin Tangwiriyasakul, Eli Gibson, Sebastien Ourselin, M. Jorge Cardoso2026-03-09🤖 cs.AI

Abductive Reasoning with Syllogistic Forms in Large Language Models

Diese Arbeit untersucht die Genauigkeit von Large Language Models beim abduktiven Schließen, indem sie syllogistische Datensätze umwandelt, um zu prüfen, ob diese Modelle ähnliche Verzerrungen wie Menschen aufweisen und wie sich kontextualisiertes Denken über formale Deduktion hinaus verbessern lässt.

Hirohiko Abe, Risako Ando, Takanobu Morishita Kentaro Ozeki, Koji Mineshima, Mitsuhiro Okada2026-03-09🤖 cs.AI

Prosodic Boundary-Aware Streaming Generation for LLM-Based TTS with Streaming Text Input

Die vorgestellte Arbeit schlägt eine prosodiebewusste Nachtrainingsstrategie für LLM-basierte Text-to-Speech-Modelle vor, die durch das Lernen eines frühen Stopps an semantischen Grenzen und die Verwendung eines gleitenden Fensters für den Kontext natürliche Sprachsynthese mit Streaming-Eingabe ermöglicht und dabei die Fehlerquote bei langen Texten drastisch reduziert.

Changsong Liu, Tianrui Wang, Ye Ni, Yizhou Peng, Eng Siong Chng2026-03-09🤖 cs.AI

Do Foundation Models Know Geometry? Probing Frozen Features for Continuous Physical Measurement

Die Studie zeigt, dass eingefrorene Vision-Language-Modelle kontinuierliche geometrische Informationen enthalten, die durch leichte lineare Proben präziser abgerufen werden können als durch Textgenerierung, was auf ein Defizit im Trainingspfad und nicht in der Repräsentation selbst hinweist.

Yakov Pyotr Shkolnikov2026-03-09🤖 cs.AI

PONTE: Personalized Orchestration for Natural Language Trustworthy Explanations

Die Arbeit stellt PONTE vor, ein Framework für personalisierte und vertrauenswürdige Erklärungen in der KI, das durch einen geschlossenen Regelkreis aus Präferenzmodellierung, generativen Modellen und Verifizierungsmodulen die Lücken zwischen technischer Genauigkeit und individuellen Nutzerbedürfnissen schließt.

Vittoria Vineis, Matteo Silvestri, Lorenzo Antonelli, Filippo Betello, Gabriele Tolomei2026-03-09🤖 cs.AI

NOBLE: Accelerating Transformers with Nonlinear Low-Rank Branches

Die Arbeit stellt NOBLE vor, eine Architektur-Erweiterung für Transformer, die permanente nichtlineare Low-Rank-Branches in die linearen Schichten integriert, um das Training von Grund auf zu beschleunigen und dabei die Effizienz bei minimalen Parameter- und Zeitkosten signifikant zu steigern.

Ethan Smith (Canva Research)2026-03-09🤖 cs.AI

COLD-Steer: Steering Large Language Models via In-Context One-step Learning Dynamics

Die Arbeit stellt COLD-Steer vor, ein trainingsfreies Framework, das Large Language Models durch die Approximation von In-Context-Lern-Dynamiken steuert und dabei eine hohe Wirksamkeit bei nur einem Bruchteil der bisher benötigten Beispielmengen erreicht.

Kartik Sharma, Rakshit S. Trivedi2026-03-09🤖 cs.AI

← Zurück Weiter →