9602 Arbeiten
Der Artikel stellt das Hierarchical Autonomy Evolution (HAE)-Framework vor, das Sicherheitsbedrohungen für autonome KI-Agenten in drei Ebenen – kognitive, ausführende und kollektive Autonomie – kategorisiert, um die Entwicklung robuster, mehrschichtiger Verteidigungsarchitekturen zu leiten.
Das Paper stellt SeDa vor, ein einheitliches Framework, das über 7,6 Millionen Datensätze von mehr als 200 Plattformen integriert, um durch semantische Annotation, eine erweiterbare Tag-Grafik und eine mehrstufige Navigationsstrategie eine vertrauenswürdige und kontextbewusste Entdeckung von Datenquellen zu ermöglichen.
Diese Arbeit stellt eine einheitliche Theorie vor, die Drifting-Modelle als score-basierte Methode auf kernel-gesättigten Verteilungen interpretiert und zeigt, dass der Drift-Feld für Gauß-Kerne exakt der Score-Differenz entspricht, während für Laplace-Kerne präzise Fehlerabschätzungen für niedrige Temperaturen und hohe Dimensionen hergeleitet werden.
Das Paper stellt InterReal vor, ein einheitliches physikbasiertes Imitationslern-Framework, das Humanoidenrobotern durch datenaugmentierte Hand-Objekt-Kontaktbeschränkungen und einen automatischen Belohnungslerner ermöglicht, komplexe Mensch-Objekt-Interaktionen sowohl in Simulation als auch auf dem realen Unitree G1-Roboter präzise und robust zu erlernen.
Die Arbeit stellt SketchGraphNet vor, einen speicher-effizienten hybriden Graph-Transformer für die Erkennung von Großskizzen, der auf einem neuartigen Benchmark namens SketchGraph mit 3,44 Millionen graphenbasierten Skizzen trainiert wurde und dabei sowohl die Genauigkeit als auch die Ressourceneffizienz im Vergleich zu bestehenden Methoden signifikant verbessert.
Die vorgestellte Arbeit schlägt ein auf neuronaler Dynamik basierendes vortrainiertes Framework vor, das durch die Extraktion personalisierter Aktivitätsmuster und die Vermeidung starrer Atlanten die Grenzen bestehender Methoden zur Konstruktion personalisierter funktioneller Hirnnetzwerke in heterogenen Szenarien überwindet.
Die Arbeit stellt UniLongGen vor, eine trainingsfreie Inferenzstrategie, die durch dynamische Kuratierung und gezieltes Vergessen störender visueller Informationen die Zuverlässigkeit von Unified Multimodal Models bei der Generierung langer, interleaved Bilder-Text-Narrative sicherstellt.
Das Paper stellt DreamSAC vor, ein Framework, das durch eine unsupervisierte Symmetrie-Exploration mit Hamilton-basiertem Neugier-Anreiz und einem Hamilton-basierten Weltmodell physikalische Invarianzen lernt, um die Extrapolationsfähigkeit von Agenten in 3D-Physiksimulationen signifikant zu verbessern.
Die Arbeit stellt COOL-MC als Werkzeug vor, das mittels probabilistischer Modellprüfung und Erklärbarkeitstechniken die Sicherheit und Entscheidungsfindung von Reinforcement-Learning-Richtlinien für die Wartung heterogener Brückennetzwerke formal verifiziert und analysiert.
Diese Arbeit stellt ein lernfreies Framework zur Erzeugung von L2-akzentuierter Sprache vor, das phonologische Regeln mit einem multilingualen Text-to-Speech-Modell kombiniert, um Akzente auf Phonemebene ohne akzentuierte Trainingsdaten zu manipulieren.
Diese Arbeit stellt ein neues Problem und Evaluierungsframework namens Speech Generation Speaker Poisoning (SGSP) vor, das darauf abzielt, die Privatsphäre in Zero-Shot-Text-to-Speech-Modellen zu schützen, indem die Generierung spezifischer Sprecheridentitäten verhindert wird, während die Nutzbarkeit für andere Sprecher erhalten bleibt.
Diese Arbeit stellt das neu kuratierte Devanagari-Sprachkorpus „Nwāchā Munā" für Nepal Bhasha vor und zeigt, dass ein feinabgestimmtes nepalesisches Conformer-Modell durch proximale Transferlernen die Leistung großer multilingualer Modelle bei der Spracherkennung erreicht und dabei eine rechen-effiziente Alternative für diese unterrepräsentierte Sprache bietet.
Die vorgestellte GRD-Net-Architektur kombiniert einen generativen Residual-Autoencoder mit einem diskriminativen Segmentierungsnetzwerk, das mittels eines Region-of-Interest-Moduls Anomalien gezielt in relevanten Bildbereichen erkennt und so herkömmliche, datensatzabhängige Nachverarbeitungsschritte überflüssig macht.
Diese Studie bietet einen systematischen Vergleich verschiedener Trainingsziele für die Erkennung von Out-of-Distribution-Daten in der Bildklassifizierung und stellt fest, dass die Kreuzentropie-Verlustfunktion im Vergleich zu Prototyp-, Triplet- und Average-Precision-Verlusten die konsistenteste Gesamtleistung bei der Erkennung sowohl naher als auch entfernter OOD-Daten liefert.
Die vorgestellte Arbeit stellt ein halbüberwachtes, auf einem generativen adversariellen Netzwerk mit Residual-Autoencoder basierendes Anomalieerkennungssystem vor, das speziell für die Echtzeit-Inspektion auf einer hochgeschwindigkeits Blow-Fill-Seal-Produktionslinie in der Pharmaindustrie entwickelt wurde und dabei hohe Genauigkeit bei strengen Zeit- und Hardwareanforderungen gewährleistet.
Die vorgestellte Arbeit stellt DSS-GRPO vor, einen RL-basierten Ansatz, der durch segmentweise, schwierigkeitsskalierte Belohnungen die Chain-of-Thought-Verknappung ermöglicht, ohne dabei die Qualität der eigentlichen Antwort zu beeinträchtigen.
Die vorgestellte Studie stellt SMAT vor, ein vierstufiges Multi-Agenten-Trainingsverfahren, das durch die Nachahmung der natürlichen menschlichen Anpassung an tragbare Geräte eine stabile und effektive Ko-Adaptation zwischen Benutzer und Hüft-Exoskelett ermöglicht, was zu einer signifikanten Reduktion der Muskelaktivierung und konsistenten positiven mechanischen Leistung ohne subjektspezifisches Nachtrainieren führt.
Die Studie stellt eine auf NVIDIA Omniverse basierende synthetische Datenpipeline für die Erkennung von Gepäckwagen im Flughafen Algier vor und zeigt, dass eine Kombination aus synthetischen Daten und nur 40 % realer Annotationen die Leistung eines reinen Real-Daten-Modells erreicht oder übertrifft, während der Annotationsaufwand um 25 bis 35 % reduziert wird.
Die Arbeit stellt AtomicVLA vor, ein einheitliches Planungs- und Ausführungsframework, das durch eine Skill-Guided Mixture-of-Experts-Architektur skalierbare atomare Fertigkeiten lernt und so die Leistung von Robotern bei langfristigen Aufgaben und kontinuierlichem Lernen im Vergleich zu bestehenden VLA-Modellen erheblich verbessert.
Der Artikel stellt Ref-DGS vor, ein effizientes Framework zur dualen Gaußschen Splatting, das durch die Entkopplung von Geometrie und Reflexion sowie die Nutzung lokaler und globaler Reflexionsfelder hochpräzise Oberflächenspiegelungen ohne explizites Raytracing ermöglicht.