2385 Arbeiten
Diese Arbeit stellt den theoretischen Rahmen „Gradient Flow Drifting" vor, der Drifting-Modelle als Wasserstein-Gradientenflüsse von KDE-approximierten Divergenzen identifiziert und durch eine gemischte Divergenzstrategie sowie eine Erweiterung auf Riemannsche Mannigfaltigkeiten sowohl Modenkollaps als auch -verwischung vermeidet.
Die vorgestellte Arbeit stellt das Progressive Retrospective Framework (PRF) vor, das durch eine Kaskade von retrospektiven Einheiten und eine Rolling-Start-Trainingsstrategie die Herausforderung der Variablen-Trajektorienvorhersage bei unvollständigen Beobachtungen im autonomen Fahren effektiv löst.
Die Arbeit stellt einen neuen Rahmen vor, der durch die semantische Analyse von Agenten-Executionspfaden und die Generierung kontextspezifischer Lernhinweise die Fähigkeit von LLM-Agenten zur Selbstverbesserung durch gezieltes Abrufen von Erfahrungswissen signifikant steigert.
Die vorgestellte Arbeit stellt die Conditional Expectation Reward (CER) vor, eine Methode, die ein Large Language Model als impliziten Verifizierer nutzt, um durch weiche, graduierte Belohnungssignale das Reinforcement Learning für allgemeine Denkprozesse ohne externe Verifizierer zu ermöglichen.
Diese Arbeit stellt einen neuartigen, erklärbaren Ansatz vor, der auf aktiven Pfaden in neuronalen Netzen basiert, um Backdoor-Auslöser in Intrusion-Detection-Systemen zu erkennen und zu eliminieren.
Diese Arbeit stellt einen neuartigen Rahmen vor, der durch ein inkrementelles Lernverfahren Scheduler und Bewegungsplaner miteinander verzahnt, um in geteilten Arbeitsräumen zeitlich und räumlich konfliktfreie Ausführungspläne für die Multi-Objekt-Navigation zu generieren.
Die Arbeit stellt ROVA, ein Trainingsframework, und PVRBench, einen neuen Benchmark, vor, um die Robustheit von Video-Reasoning-Modellen gegenüber realen Störungen wie Wetter und Verdeckungen zu verbessern und dabei signifikante Genauigkeits- sowie Schlussfolgerungsgewinne zu erzielen.
Die Arbeit stellt FAME vor, eine neue Methode zur Erzeugung formaler abduktiver Minimalerklärungen für große neuronale Netze, die durch dedizierte Perturbationsdomänen und LiRPA-Bound-Techniken sowohl die Erklärungsgröße als auch die Laufzeit im Vergleich zu bestehenden Ansätzen wie VERIX+ signifikant verbessert.
Die Studie stellt DxEvolve vor, einen sich selbst weiterentwickelnden diagnostischen Agenten, der durch einen interaktiven klinischen Forschungsprozess die menschliche klinische Kognition nachahmt und die Diagnosegenauigkeit signifikant verbessert, indem er klinische Erfahrung in ein steuerbares Lernasset umwandelt.
Dieser Beitrag stellt ein plattformunabhängiges Framework für die digitale Menschmodellierung vor, das mithilfe des OpenBCI Galea-Headsets multimodale Neurophysiologiedaten in einer reproduzierbaren SuperTux-Spielumgebung erfasst und strukturiert bereitstellt, um zukünftige ethisch genehmigte KI-Forschung im Bereich Barrierefreiheit und Interaktionsdesign zu ermöglichen, ohne dabei eigene KI-Inferenzmodelle zu integrieren.
Die Arbeit stellt „Contract And Conquer" (CAC) vor, eine Methode zur provablen Berechnung von adversariellen Beispielen für Black-Box-Modelle durch Wissensdistillation und Kontraktion des Suchraums, die nachweislich innerhalb einer festen Anzahl von Iterationen erfolgreich ist und auf dem ImageNet-Datensatz den aktuellen Stand der Technik übertrifft.
Diese Arbeit stellt einen leichten Ansatz vor, der Backdoor-Injektion nutzt, um flüchtige, intrinsische Beweise für die Verifizierung der Aggregation in Cross-Silo-Federated-Learning zu erzeugen, wodurch die Integrität ohne die hohen Rechenkosten kryptografischer Methoden gewährleistet wird.
Die Arbeit stellt RandMark vor, eine Methode zur Verifizierung des Eigentums an visuellen Fundamentmodellen, die durch zufälliges Einbetten digitaler Wasserzeichen in interne Repräsentationen eine zuverlässige Erkennung von Funktionskopien bei gleichzeitig geringer Fehlerrate ermöglicht.
Das Paper stellt EvoSchema vor, ein umfassendes Benchmark-Tool mit einer neuen Taxonomie von Schema-Änderungen, das die Robustheit von Text-to-SQL-Modellen gegenüber realen Datenbank-Evolutionen bewertet und zeigt, dass Modelle, die auf solchen vielfältigen Schemata trainiert werden, deutlich widerstandsfähiger gegen Leistungsabfall sind.
Die Studie zeigt, dass die Integration von strukturierten Linked-Data-Elementen wie Schema.org-Markup und agentenoptimierten Entitätsseiten die Genauigkeit und Vollständigkeit von Retrieval-Augmented-Generation-Systemen im Vergleich zu reinem Fließtext erheblich verbessert.
Das Paper stellt AlphaFlowTSE vor, ein einstufiges generatives Modell für die Extraktion von Zielsprechern aus Mehrsprecher-Mischungen, das durch einen JVP-freien AlphaFlow-Zielwert und eine Lehrer-Schüler-Struktur Latenz reduziert und gleichzeitig die Ähnlichkeit zum Zielsprecher sowie die Robustheit für die automatische Spracherkennung verbessert.
Die Arbeit stellt PV-VASM vor, ein modellunabhängiges probabilistisches Framework zur Verifikation der Robustheit von Sprach-Anti-Spoofing-Modellen gegenüber Deepfakes und unbekannten Synthesetechniken durch die Schätzung von Fehlklassifikationswahrscheinlichkeiten und die Herleitung theoretischer Fehlerobergrenzen.
Die Arbeit stellt CTCNet vor, ein neuartiges, cross-spektrales Netzwerk mit Wissens-Einbettung und spektraler Kompensation für eine robuste UAV-Verkehrsszenenanalyse unter schwierigen Lichtverhältnissen, und stellt gleichzeitig Traffic-VQA, den ersten großskaligen optisch-thermischen Benchmark für kognitive Verkehrsverständnis-Aufgaben, vor.
Die Arbeit stellt HIR-SDD vor, ein neuartiges Framework zur Erkennung von Sprach-Deepfakes, das Large Audio Language Models mit menschenähnlichem Chain-of-Thought-Reasoning auf Basis eines neu annotierten Datensatzes kombiniert, um sowohl die Generalisierungsfähigkeit als auch die Interpretierbarkeit der Vorhersagen zu verbessern.
Das Paper stellt CUPID vor, ein modulares Plug-in-Framework, das ohne Retraining des Basismodells sowohl aleatorische als auch epistemische Unsicherheit in vortrainierten neuronalen Netzen gemeinsam schätzt und dabei interpretierbare Einblicke in die Unsicherheitsursachen auf Layerebene bietet.