cs.AI Arbeiten | Gist.Science

Machine Learning for the Internet of Underwater Things: From Fundamentals to Implementation

Dieser Tutorial-Überblick fasst die Anwendung von Machine-Learning-Methoden im Internet der Unterwasser-Dinge zusammen, indem er deren Potenzial zur Bewältigung spezifischer Herausforderungen wie akustischer Dämpfung und begrenzter Energie über alle Netzwerkschichten hinweg analysiert, signifikante Leistungssteigerungen dokumentiert und eine Roadmap für die zukünftige Implementierung sowie offene Forschungsfragen aufzeigt.

Kenechi Omeke, Attai Abubakar, Michael Mollel, Lei Zhang, Qammer H. Abbasi, Muhammad Ali Imran2026-03-10💻 cs

Context Channel Capacity: An Information-Theoretic Framework for Understanding Catastrophic Forgetting

Diese Arbeit führt den informations-theoretischen Begriff der Kontext-Kanal-Kapazität ein, um zu beweisen, dass katastrophales Vergessen in kontinuierlichem Lernen unvermeidbar ist, es sei denn, die Architektur strukturell eine unbypassbare Kontextpfad-Kapazität gewährleistet, die die Entropie der Aufgabenidentität übersteigt.

Ran Cheng2026-03-10🤖 cs.LG

Dynamic Vehicle Routing Problem with Prompt Confirmation of Advance Requests

Diese Arbeit stellt ein neues dynamisches Fahrzeugrouting-Verfahren vor, das durch die Kombination einer schnellen Einfügesuche für die sofortige Auftragsbestätigung und eines Reinforcement-Learning-gesteuerten Anytime-Algorithmus zur kontinuierlichen Routenoptimierung sowohl die Echtzeitbestätigung als auch die maximale Auslastung von Vorbestellungen in On-Demand-Verkehrsdiensten gewährleistet.

Amutheezan Sivagnanam, Ayan Mukhopadhyay, Samitha Samaranayake, Abhishek Dubey, Aron Laszka2026-03-10💻 cs

AutoControl Arena: Synthesizing Executable Test Environments for Frontier AI Risk Evaluation

Die Arbeit stellt AutoControl Arena vor, ein automatisiertes Framework zur Evaluierung von KI-Risiken, das durch die Entkopplung deterministischen Codes von generativen LLM-Dynamiken Halluzinationen vermeidet und dabei verborgene Sicherheitslücken sowie divergierende Fehlausrichtungs-Muster bei fortschrittlichen Modellen unter Stress aufdeckt.

Changyi Li, Pengfei Lu, Xudong Pan, Fazl Barez, Min Yang2026-03-10💻 cs

OrthoFormer: Instrumental Variable Estimation in Transformer Hidden States via Neural Control Functions

Das Paper stellt OrthoFormer vor, eine kausal fundierte Transformer-Architektur, die Instrumentalvariablenschätzung durch neuronale Kontrollfunktionen integriert, um durch die Trennung statischer Hintergrundfaktoren von dynamischen kausalen Flüssen die Anfälligkeit für konfundierende Verzerrungen zu überwinden und robuste Vorhersagen unter Verteilungsverschiebungen zu ermöglichen.

Charles Luo2026-03-10🤖 cs.LG

Machine Learning for Stress Testing: Uncertainty Decomposition in Causal Panel Prediction

Dieses Papier stellt ein Rahmenwerk für kausale Panelvorhersagen im regulatorischen Stresstesting vor, das durch vier Komponenten eine transparente Zerlegung der Unsicherheit in Schätz- und Konfundierungsunsicherheit ermöglicht, um robuste Gegenfaktische unter hypothetischen makroökonomischen Szenarien zu inferieren.

Yu Wang, Xiangchen Liu, Siguang Li2026-03-10💻 cs

HLER: Human-in-the-Loop Economic Research via Multi-Agent Pipelines for Empirical Discovery

Das Paper stellt HLER vor, ein Multi-Agenten-System für die empirische Wirtschaftsforschung, das durch datensatzbewusste Hypothesengenerierung und menschliche Eingriffe in einem mehrstufigen Workflow die Automatisierung von Forschungsprozessen mit notwendiger menschlicher Aufsicht verbindet.

Chen Zhu, Xiaolu Wang2026-03-10💻 cs

Dial: A Knowledge-Grounded Dialect-Specific NL2SQL System

Die Arbeit stellt Dial vor, ein wissensbasiertes Framework für dialektspezifische NL2SQL-Übersetzungen, das durch eine dialektsensible logische Abfrageplanung, eine hierarchische Wissensdatenbank und einen ausführungsbasierten Debugging-Prozess die Genauigkeit und Abdeckung von Datenbankdialekten im Vergleich zu bestehenden Methoden signifikant verbessert.

Xiang Zhang, Hongming Xu, Le Zhou, Wei Zhou, Xuanhe Zhou, Guoliang Li, Yuyu Luo, Changdong Liu, Guorun Chen, Jiang Liao, Fan Wu2026-03-10🤖 cs.LG

Backdoor4Good: Benchmarking Beneficial Uses of Backdoors in LLMs

Die Arbeit stellt Backdoor4Good (B4G) vor, ein einheitliches Benchmark-Framework, das Backdoor-Mechanismen in großen Sprachmodellen nicht als Bedrohung, sondern als kontrollierbare Schnittstellen für vertrauenswürdige Anwendungen wie Sicherheit, Steuerbarkeit und Rechenschaftspflicht neu definiert und deren Wirksamkeit in umfangreichen Experimenten nachweist.

Yige Li, Wei Zhao, Zhe Li, Nay Myat Min, Hanxun Huang, Yunhan Zhao, Xingjun Ma, Yu-Gang Jiang, Jun Sun2026-03-10💻 cs

Image Generation Models: A Technical History

Dieser Artikel bietet eine umfassende technische Übersicht über die Entwicklung von Bildgenerierungsmodellen – von VAEs und GANs bis hin zu Diffusionsverfahren – und behandelt dabei deren Architekturen, Trainingsmethoden, Grenzen sowie aktuelle Fortschritte in der Videogenerierung und die Notwendigkeit einer verantwortungsvollen Nutzung.

Rouzbeh Shirvani2026-03-10💬 cs.CL

"Better Ask for Forgiveness than Permission": Practices and Policies of AI Disclosure in Freelance Work

Diese Studie zeigt, dass im Freelance-Bereich eine Diskrepanz zwischen der passiven Offenlegungspraxis von Arbeitnehmern und dem Wunsch der Kunden nach proaktiver Transparenz bezüglich KI-Nutzung besteht, was durch unklare Richtlinien zu Missverständnissen führt und die Notwendigkeit klarerer Richtlinien unterstreicht.

Angel Hsing-Chi Hwang, Senya Wong, Baixiao Chen, Jessica He, Hyo Jin Do2026-03-10💻 cs

Where Do LLM-based Systems Break? A System-Level Security Framework for Risk Assessment and Treatment

Diese Arbeit stellt ein zielgerichtetes Risikoanalyse-Rahmenwerk für LLM-basierte Systeme vor, das Systemmodellierung mit Attack-Defense-Bäumen und CVSS-Werten kombiniert, um in einem Gesundheitswesen-Fallbeispiel zu zeigen, dass sich diverse Bedrohungen auf wenige kritische Systemengpässe konzentrieren, die durch gezielte Abwehrmaßnahmen effektiv gemindert werden können.

Neha Nagaraja, Hayretdin Bahsi2026-03-10💻 cs

The Dual-Stream Transformer: Channelized Architecture for Interpretable Language Modeling

Die vorgestellte Dual-Stream-Transformer-Architektur entkoppelt den Residual-Stream in einen durch Attention aktualisierten Token-Stream und einen durch Feed-Forward-Netzwerke aktualisierten Kontext-Stream, um durch skalierbare Mischstrategien eine nachweisbare Balance zwischen Interpretierbarkeit und Leistungsfähigkeit zu ermöglichen.

J. Clayton Kerce, Alexis Fox2026-03-10🤖 cs.LG

Do Machines Fail Like Humans? A Human-Centred Out-of-Distribution Spectrum for Mapping Error Alignment

Die Studie stellt ein menschenzentriertes Framework vor, das Out-of-Distribution-Herausforderungen als Spektrum menschlicher Wahrnehmungsschwierigkeiten neu definiert, um die Ausrichtung von KI-Modellen auf menschliche Fehlermuster unter verschiedenen Bedingungen präziser zu bewerten und dabei architekturspezifische Unterschiede in der Nähe und Ferne von Trainingsdaten aufzudecken.

Binxia Xu, Xiaoliang Luo, Luke Dickens, Robert M. Mok2026-03-10💻 cs

Towards Lightweight Adaptation of Speech Enhancement Models in Real-World Environments

Diese Arbeit stellt einen leichten Rahmen vor, der durch selbstüberwachtes Training von Low-Rank-Adaptern an einem eingefrorenen Backbone weniger als 1 % der Parameter aktualisiert und so Speech-Enhancement-Modelle für den effizienten Einsatz in Echtzeit-Umgebungen mit dynamischen akustischen Szenen optimiert.

Longbiao Cheng, Shih-Chii Liu2026-03-10🤖 cs.LG

Contact-Guided 3D Genome Structure Generation of E. coli via Diffusion Transformers

Diese Studie stellt ein bedingtes Diffusions-Transformer-Framework vor, das mithilfe von Hi-C-Kontaktkarten und einem latenten Diffusionsmodell mit Flow-Matching-Objektiv Ensembles dreidimensionaler E. coli-Genomkonformationen generiert, die sowohl die experimentellen Daten als auch eine hohe strukturelle Diversität widerspiegeln.

Mingxin Zhang, Xiaofeng Dai, Yu Yao, Ziqi Yin2026-03-10🤖 cs.LG

Give Them an Inch and They Will Take a Mile:Understanding and Measuring Caller Identity Confusion in MCP-Based AI Systems

Die Studie zeigt, dass MCP-basierte KI-Systeme durch das Fehlen einer expliziten Anrufer-Authentifizierung und eine zu weit gefasste Server-Vertrauensstellung fundamental unsicher sind, da einmalige Autorisierung und fehlende granulare Zugriffskontrollen den Angriffsvektor für Identitätsverwechslungen erheblich vergrößern.

Yuhang Huang, Boyang Ma, Biwei Yan, Xuelong Dai, Yechao Zhang, Minghui Xu, Kaidi Xu, Yue Zhang2026-03-10💻 cs

Cross-Modal Taxonomic Generalization in (Vision-) Language Models

Die Studie zeigt, dass Sprachmodelle in Vision-Language-Modellen taxonomisches Wissen (Hyperonyme) auch ohne explizite visuelle Hinweise aus rein sprachlichen Mustern rekonstruieren und verallgemeinern können, wobei diese Fähigkeit jedoch von der visuellen Kohärenz der Kategorien abhängt.

Tianyang Xu, Marcelo Sandoval-Castaneda, Karen Livescu, Greg Shakhnarovich, Kanishka Misra2026-03-10💬 cs.CL

Interpretable-by-Design Transformers via Architectural Stream Independence

Die vorgestellte Arbeit zeigt, dass durch die architektonische Trennung von Token-Strömen und kontextueller Semantik bis zur späten Fusion (Late Fusion Architecture) Transformatoren von Grund auf interpretierbarer gestaltet werden können, indem sie eine funktionale Modularität bewahren und eine vorzeitige Verflechtung verhindern.

Clayton Kerce, Alexis Fox2026-03-10🤖 cs.LG

A Joint Neural Baseline for Concept, Assertion, and Relation Extraction from Clinical Text

Diese Arbeit stellt ein neuartiges, end-to-end-System vor, das die Aufgaben der Konzepterkennung, Assertionsklassifizierung und Relationsextraktion in klinischen Texten gemeinsam optimiert und dabei die Leistung herkömmlicher Pipeline-Ansätze signifikant übertrifft.

Fei Cheng, Ribeka Tanaka, Sadao Kurohashi2026-03-10💬 cs.CL

← Zurück Weiter →