2385 Arbeiten
Dieses Paper stellt DeepRDFC vor, ein auf Autoencodern basierendes Framework für die verteilte Funktionsberechnung, das durch Minimierung des Totalvariationsabstands eine effiziente Kanalsimulation ermöglicht und dabei signifikante Vorteile gegenüber herkömmlichen Datenkompressionsmethoden bietet.
Die Arbeit stellt „Super Neuronen" vor, eine trainingsfreie Methode, die durch die direkte Nutzung skalarer Aktivierungen in den flachen Schichten von Vision-Language-Modellen eine robuste Klassifizierung ermöglicht und dabei eine bis zu 5,10-fache Geschwindigkeitssteigerung durch ein frühes Verlassen des Modells erreicht.
Diese Arbeit stellt ein KI-gestütztes Framework vor, das durch eine kontextbewusste Zwei-Phasen-Aufteilung und eine Korrektur räumlicher Fehler die Zuverlässigkeit der Vorhersage von zellularem Datenverkehr für die 5G/6G-Planung verbessert und dabei das Problem der räumlichen Datenlecks bei herkömmlichen Trainings-Test-Splits löst.
Diese Arbeit stellt ein auf Graph Attention Networks basierendes Modell vor, das mithilfe öffentlicher Bereitstellungsdaten die Spektrumnachfrage in feinen räumlichen Skalen präzise schätzt und damit die effiziente Spektrumverwaltung und -zuteilung unterstützt.
Die Studie stellt einen risikobewussten Bewertungsrahmen für die Sicherheit von Large Language Models im Finanzsektor vor, der eine domänenspezifische Taxonomie, automatisierte Red-Teaming-Pipelines und einen neuen „Risk-Adjusted Harm Score" (RAHS) kombiniert, um die spezifischen regulatorischen und operationellen Risiken plausibel formulierter Angriffe besser zu erfassen als herkömmliche, domänenübergreifende Benchmarks.
Die Arbeit stellt das „Nurture-First Development"-Paradigma vor, das die Entwicklung von Domänen-Expert-AI-Agenten durch einen iterativen, konversationsbasierten Prozess der Wissenskristallisation statt durch starre, vorab definierte Engineering-Phasen ermöglicht.
Die Arbeit stellt MCCOP vor, ein Framework, das mithilfe von Diffusionsmodellen im latenten Raum biologisch plausible und minimal invasive Proteinmutationen berechnet, um gewünschte Eigenschaften wie Stabilität oder Fluoreszenz zu erreichen und dabei sowohl die Modellinterpretation als auch das gezielte Protein-Engineering zu unterstützen.
Die Studie zeigt, dass sprachbewusste Large Language Models (LLMs) zwar eine schwache Sprechererkennung aufweisen, diese jedoch durch eine leichte Augmentation mit eingefrorenen ECAPA-TDNN-Einbettungen und LoRA-Adaptern erheblich verbessert werden kann, sodass sie nahezu die Leistung dedizierter Systeme erreichen, während die natürliche Schnittstelle erhalten bleibt.
Die Arbeit stellt BALD-SAM vor, ein aktives Lernframework, das die epistemische Unsicherheit eines kleinen Vorhersagekopfes nutzt, um bei der Segmentierung mit dem Segment-Anything-Modell (SAM) die informativsten räumlichen Prompt-Positionen automatisch zu identifizieren und dabei die menschliche und sogar die Orakel-Prompting-Leistung in vielfältigen Domänen übertreffen.
Die Arbeit stellt mit REFINED-BIAS ein neues, zuverlässiges Evaluierungsframework vor, das die Instabilitäten und Ambiguitäten bestehender Cue-Conflict-Benchmarks behebt, um durch explizit definierte, ausgewogene Cue-Paare und eine rankingbasierte Messung über den gesamten Labelraum eine verlässlichere Diagnose von Form- und Textur-Bias in neuronalen Netzen zu ermöglichen.
Diese Arbeit stellt eine bahnbrechende Lösung zur Erkennung menschlicher Anwesenheit vor, die ausschließlich die integrierte Wi-Fi-Hardware von Standard-Laptops nutzt und durch eine neuartige, bereichsgefilterte Doppler-Spektrum-Analyse sowie eine adaptive Mehrraten-Verarbeitung kostengünstige, datenschutzfreundliche und kalibrierungsfreie Präsenzerkennung ohne externe Sensoren ermöglicht.
Die Arbeit stellt EvoKernel vor, ein selbstentwickelndes Agenten-Framework, das durch einen wertgesteuerten, speicherbasierten Lernansatz die Herausforderung des „Cold-Starts" beim Synthesieren von NPU-Kernen in datenarmen Domänen überwindet und dabei die Korrektheit von 11 % auf 83 % sowie eine mediane Geschwindigkeitssteigerung von 3,6-fach erzielt.
Die vorgestellte Arbeit führt einen semantischen Landmarken-Partikelfilter ein, der durch die Integration von Baumstamm- und Pfahldetektionen mit 2D-LiDAR-Daten die zuverlässige Lokalisierung von Robotern in Weinbergen trotz der durch parallele Reihen verursachten visuellen Mehrdeutigkeiten ermöglicht.
Die Arbeit stellt vor, ein Verfahren, das ein generalistisches Wertmodell als Prior mit empirischen Daten aus spärlichen Rollouts durch dynamische Budgetzuweisung und statistische Tests adaptiv kombiniert, um eine robuste, varianzarme Vorteilsschätzung für effizientes Reinforcement Learning mit verifizierbaren Belohnungen zu gewährleisten.
Das Paper stellt GRACE vor, einen einheitlichen 2D-Simulator und Benchmark, der Multi-Robot-Path-Planning-Aufgaben auf verschiedenen Abstraktionsebenen (Gitter, Roadmap, kontinuierlich) konsistent abbildet, um transparente Vergleiche zwischen verschiedenen Planungsansätzen zu ermöglichen und die Trade-offs zwischen Modelltreue und Skalierbarkeit zu quantifizieren.
Diese Arbeit stellt ein großes zweisprachiges Korpus mit Katalogdatensätzen und einer maschinenlesbaren GND-Taxonomie vor, um ontologiebewusste Multi-Label-Klassifikation und agentengestützte Katalogisierung zu ermöglichen, wobei die Evaluierung nicht nur die Genauigkeit, sondern auch den praktischen Nutzen und die Transparenz von KI-Systemen für Bibliothekare in den Vordergrund stellt.
Die Studie stellt einen parameter-effizienten Diffusion-Transformer vor, der durch den Ersatz des U-Net-Rückgrats durch einen Transformer mit 2D-CNN-Encoder und eine DDPO-Feinabstimmung mit Enformer als Belohnungsmodell hochwirksame, zelltypspezifische regulatorische DNA-Sequenzen mit deutlich geringerem Rechenaufwand, besserer Konvergenz und weniger Memorierung erzeugt.
Diese Arbeit stellt Dynamics-Predictive Sampling (DPS) vor, eine Methode, die durch die Modellierung des Lernfortschritts als dynamisches System und die Nutzung von Online-Bayes-Inferenz informative Prompts vorhersagt, um den rechenintensiven Aufwand für Rollouts beim Reinforcement-Learning-Finetuning von Large Reasoning Models erheblich zu reduzieren und die Trainingsleistung zu steigern.
Die Arbeit stellt PharmGraph-Auditor vor, ein hybrides System, das eine vertrauenswürdige pharmazeutische Wissensbasis und eine evidenzbasierte Verifikationskette nutzt, um die Sicherheit und Nachvollziehbarkeit bei der Arzneimittelverifikation durch Apotheker zu gewährleisten und dabei die Grenzen von reinen Sprachmodellen zu überwinden.
Der Artikel stellt LookaheadKV vor, einen leichten Rahmen zur effizienten Eviction von KV-Caches in großen Sprachmodellen, der durch parametereffiziente Module zukünftige Wichtigkeitsvorhersagen ohne rechenintensive Entwurfsgenerierung ermöglicht und dabei sowohl die Genauigkeit als auch die Geschwindigkeit im Vergleich zu bestehenden Methoden erheblich verbessert.