8577 Arbeiten
Die Arbeit stellt CMMR-VLN vor, ein Vision-and-Language-Navigation-Framework, das Large-Language-Modelle durch eine strukturierte, multimodale Erinnerung und Reflexionsmechanismen befähigt, relevante Erfahrungen selektiv abzurufen, was in Simulationen und realen Tests zu signifikant verbesserten Erfolgsraten im Vergleich zu bestehenden Ansätzen führt.
Diese Arbeit stellt den Drag-Aware Aerodynamic Manipulability (DAAM) vor, einen geometrischen Rahmen für die Kraftzuweisung redundanter Multirotoren, der durch eine riemannsche Metrik und die Optimierung des manipulierbaren Volumens motorische Drehmomentgrenzen sowie aerodynamischen Widerstand explizit berücksichtigt, um eine koordinateninvariante Redundanzauflösung zu ermöglichen.
Die Arbeit stellt ViSA vor, ein Framework zur Verbesserung der aerialen Vision-Language-Navigation durch visuelle-räumliche Schlussfolgerung, das ohne Nachtraining von Sprachmodellen auskommt und auf dem CityNav-Benchmark eine 70,3%ige Steigerung der Erfolgsrate gegenüber dem aktuellen State-of-the-Art erzielt.
Die Arbeit stellt PIRA-Bench vor, einen neuen Benchmark und ein Framework namens PIRF, die darauf abzielen, GUI-Agenten von einem reaktiven hin zu einem proaktiven Paradigma zu überführen, bei dem KI-Assistenten Nutzerabsichten autonom aus visuellen Eingaben vorhersagen und Empfehlungen geben.
Das Papier stellt FedMomentum vor, ein neuartiges Framework für das federierte Fine-Tuning von LLMs mit LoRA, das durch mathematisch korrekte Aggregation und SVD-basierte Rekonstruktion den Trainingsmomentum erhält und so die Konvergenzgeschwindigkeit sowie die Endgenauigkeit im Vergleich zu bestehenden Methoden verbessert.
Dieser Artikel stellt ein neues dynamisches Rahmenwerk vor, das die Zusammenarbeit von Menschen und KI durch zwei komplementäre Perspektiven – die Aufgaben- und die Intentions-Linse – neu konzeptualisiert, um die komplexen, nicht-linearen Beziehungen zwischen Ausrichtung, Prozessstruktur und Ergebnisqualität zu erklären.
Die Arbeit stellt MambaDance vor, einen neuartigen Ansatz zur Tanzgenerierung, der ein Mamba-basiertes Diffusionsmodell mit einer glockenförmigen Beat-Repräsentation kombiniert, um im Vergleich zu Transformer-basierten Methoden längere, rhythmisch präzisere und musikalisch synchronisierte Tanzbewegungen zu erzeugen.
Das Paper stellt DyLLM vor, ein trainingsfreies Inferenz-Framework für Masked Diffusion Language Models, das durch die selektive Berechnung nur salienter Token basierend auf der Ähnlichkeit ihrer Aufmerksamkeitskontexte die Durchsatzrate um bis zu 9,6-fach steigert, ohne dabei die Genauigkeit nennenswert zu beeinträchtigen.
Die Arbeit stellt GCGNet vor, ein graphenbasiertes generatives Netzwerk, das durch die Kombination von Variationsgenerierung, Graph-Strukturausrichtung und Graphenverfeinerung robuste und präzise Zeitreihenvorhersagen unter Einbeziehung exogener Variablen ermöglicht und dabei gleichzeitig zeitliche und kanalübergreifende Korrelationen gemeinsam modelliert.
Diese Arbeit stellt ein robustes multimodales Framework mit sicherer Kreuz-Aufmerksamkeit und Modality-Dropout vor, das durch Fokussierung auf unvollständige Daten und Klassenungleichgewicht die Emotionserkennung im Rahmen der 10. ABAW-Herausforderung verbessert.
Die Arbeit stellt CDRRM vor, ein neuartiges Framework, das durch kontrastive Profilierung und Synthese hochwertige Rubriken generiert, um Reward-Modelle für Large Language Models interpretierbarer, bias-resistenter und dateneffizienter zu gestalten.
Der vorgestellte S2S-FDD-Rahmen überbrückt die semantische Lücke zwischen hochdimensionalen industriellen Zeitreihensignalen und natürlicher Sprache, indem er Sensordaten in verständliche Zusammenfassungen umwandelt und eine mehrstufige, baumstrukturierte Diagnosemethode nutzt, um erklärbare Zero-Shot-Fehlerdiagnosen zu ermöglichen.
Das Paper stellt Speed3R vor, ein effizientes 3D-Rekonstruktionsmodell, das durch eine duale Aufmerksamkeitsmechanik, die sich auf die wichtigsten Bild-Token konzentriert, die Inferenzgeschwindigkeit im Vergleich zu herkömmlichen dichten Modellen um das 12,4-Fache steigert, während nur eine minimale Genauigkeitseinbuße in Kauf genommen wird.
Die Arbeit stellt ImageEdit-R1 vor, ein Multi-Agenten-Framework, das durch den Einsatz von Reinforcement Learning die Koordination spezialisierter Vision-Language- und Generative-Agenten optimiert, um komplexe Bildbearbeitungsaufgaben präziser und kontextbewusster zu lösen als bestehende monolithische oder manuell gestaltete Ansätze.
Die Arbeit stellt In-Context Reinforcement Learning (ICRL) vor, einen reinen Reinforcement-Learning-Ansatz, der durch den Einsatz und die schrittweise Reduzierung von Few-Shot-Beispielen während des Rollouts das teure Supervised Fine-Tuning überflüssig macht und Large Language Models effizient zum Erlernen des Werkzeuggebrauchs befähigt.
Das Paper stellt DSH-Bench vor, ein umfassendes Benchmark mit hierarchischer Taxonomie, Schwierigkeits- und Szenarioanalyse sowie einem neuen Konsistenzmaß, das die Evaluierung und Weiterentwicklung von subjektgetriebenen Text-zu-Bild-Modellen durch detaillierte Diagnosen und eine höhere Übereinstimmung mit menschlichen Bewertungen verbessert.
Die Arbeit stellt das DC-W2S-Framework vor, das durch die Kombination von Selbst- und Nachbarschaftskonsens schwache, verrauschte Überwachungssignale filtert, um zuverlässige Prozess-Belohnungsmodelle für biologische Schlussfolgerungen ohne exhaustive Expertenannotation zu trainieren.
Die Arbeit stellt das UIS-Digger-Framework und den UIS-QA-Benchmark vor, um die bisher vernachlässigte Herausforderung der Suche nach unindexierten Informationen zu adressieren und zeigt, dass ein optimiertes Multi-Agenten-System selbst mit kleineren Modellen leistungsfähiger ist als aktuelle State-of-the-Art-LLMs.
Der Artikel stellt SaiVLA-0 vor, ein rechnerbewusstes Vision-Language-Action-Modell, das durch eine neurowissenschaftlich inspirierte Dreiteilung aus Cerebrum, Pons und Cerebellum sowie eine foveierte Blicksteuerung effizientere und stabilere Robotersteuerung ermöglicht.
Der Artikel stellt FoleyFlow vor, ein neues Modell zur koordinierten Video-zu-Audio-Generierung, das durch einen Maskierungsansatz zur semantischen und rhythmischen Ausrichtung sowie einen dynamischen bedingten Fluss für eine zeitlich präzise Synchronisation übertrifft bestehende Methoden.