cs.AI Arbeiten | Gist.Science

AI-Driven Phase Identification from X-ray Hyperspectral Imaging of cycled Na-ion Cathode Materials

Die Autoren stellen eine KI-gestützte Methode vor, die auf einem Gaussian Mixture Variational Autoencoder und dem Pearson-Korrelationskoeffizienten basiert, um aus spärlich abgetasteten Röntgen-Hyperspektralbildern nanometeraufgelöste Phasenverteilungskarten von NaxV2(PO4)2F3-Kathodenmaterialien zu erstellen und dabei komplexe Phasenheterogenitäten sowie Übergangsphasen an Korngrenzen präzise zu identifizieren.

Fayçal Adrar, Nicolas Folastre, Chloé Pablos, Stefan Stanescu, Sufal Swaraj, Raghvender Raghvender, François Cadiou, Laurence Croguennec, Matthieu Bugnet, Arnaud Demortière2026-03-10🔬 cond-mat.mtrl-sci

Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers

Diese Arbeit bietet eine umfassende Übersicht über Mechanismen, Evaluierungsmethoden und zukünftige Herausforderungen von Gedächtnissystemen in autonomen LLM-Agenten, die von 2022 bis Anfang 2026 entwickelt wurden, indem sie eine strukturierte Taxonomie einführt, verschiedene Architekturansätze analysiert und den Übergang von statischen Benchmarks zu dynamischen, mehrstufigen Evaluierungen beschreibt.

Pengfei Du2026-03-10💻 cs

Compressed-Domain-Aware Online Video Super-Resolution

Die Arbeit stellt CDA-VSR vor, einen effizienten Online-Video-Super-Resolution-Ansatz, der Komprimierungsdaten wie Bewegungsvektoren und Restkarten nutzt, um die Rechenleistung zu optimieren und gleichzeitig eine höhere Bildqualität bei Echtzeitverarbeitung zu erreichen.

Yuhang Wang, Hai Li, Shujuan Hou, Zhetao Dong, Xiaoyao Yang2026-03-10💻 cs

TDM-R1: Reinforcing Few-Step Diffusion Models with Non-Differentiable Reward

Die Arbeit stellt TDM-R1 vor, ein neuartiges Reinforcement-Learning-Verfahren, das Few-Step-Diffusionsmodelle durch die Entkopplung von Surrogat-Reward-Lernen und Generator-Training sowie die Integration nicht-differenzierbarer Belohnungssignale effizient verbessert und dabei state-of-the-art-Ergebnisse in verschiedenen Anwendungsbereichen erzielt.

Yihong Luo, Tianyang Hu, Weijian Luo, Jing Tang2026-03-10💻 cs

VoiceSHIELD-Small: Real-Time Malicious Speech Detection and Transcription

Die Arbeit stellt VoiceSHIELD-Small vor, ein leichtgewichtiges Echtzeit-Modell auf Basis von Whisper-small, das gleichzeitig Sprache transkribiert und schädliche Eingaben mit einer Genauigkeit von 99,16 % erkennt, um Sicherheitsrisiken bei Sprachschnittstellen zu minimieren.

Sumit Ranjan, Sugandha Sharma, Ubaid Abbas, Puneeth N Ail2026-03-10💻 cs

YAQIN: Culturally Sensitive, Agentic AI for Mental Healthcare Support Among Muslim Women in the UK

Der Bericht stellt YAQIN vor, eine gemeinsam entwickelte KI-Anwendung, die durch einen vertrauenswürdigen, islamisch fundierten Chatbot und ein geführtes Tagebuch die kulturell sensible psychische Gesundheitsversorgung für muslimische Frauen in Großbritannien verbessert.

Yasmin Zaraket, Céline Mougenot2026-03-10💻 cs

Rigidity in LLM Bandits with Implications for Human-AI Dyads

Die Studie zeigt, dass Large Language Models in Zwei-Armen-Bandit-Szenarien trotz Variationen der Dekodierungsparameter robuste, rigide Entscheidungsverzerrungen aufweisen, die durch niedrige Lernraten und hohe Inverse-Temperaturen erklärt werden und potenzielle Auswirkungen auf die Mensch-KI-Interaktion haben.

Haomiaomiao Wang, Tomás E Ward, Lili Zhang2026-03-10💻 cs

A Novel Multi-Agent Architecture to Reduce Hallucinations of Large Language Models in Multi-Step Structural Modeling

Diese Studie stellt eine neuartige Multi-Agenten-Architektur vor, die durch die Aufteilung von Aufgaben wie Problemanalyse, paralleler Geometriekonstruktion und Code-Übersetzung die Halluzinationen und Fehlerakkumulation bei der automatisierten Strukturmodellierung mit OpenSeesPy mittels Large Language Models signifikant reduziert und dabei eine hohe Genauigkeit sowie Skalierbarkeit erreicht.

Ziheng Geng, Jiachen Liu, Ran Cao, Lu Cheng, Dan M. Frangopol, Minghui Cheng2026-03-10💻 cs

Large Language Model for Discrete Optimization Problems: Evaluation and Step-by-step Reasoning

Diese Studie untersucht die Leistungsfähigkeit verschiedener Large Language Models bei der Lösung diskreter Optimierungsproblemen anhand umfangreicher, erweiterter Datensätze und stellt fest, dass zwar leistungsfähigere Modelle generell besser abschneiden, die Chain-of-Thought-Methode jedoch nicht immer vorteilhaft ist und augmentierte Daten die Ergebnisse bei verständlichen Problemen trotz hoher Varianz verbessern können.

Tianhao Qian, Guilin Qi, Z. Y. Wu, Ran Gu, Xuanyi Liu, Canchen Lyu2026-03-10💬 cs.CL

Hide and Find: A Distributed Adversarial Attack on Federated Graph Learning

Die Arbeit stellt FedShift vor, eine neuartige zweistufige „Verstecken und Finden"-Angriffsmethode auf das verteilte Federated Graph Learning, die durch das Einbringen eines versteckten „Shifters" und die nachfolgende gezielte Suche nach Adversarial-Perturbationen eine hohe Angriffseffektivität bei gleichzeitiger Umgehung gängiger Verteidigungsmechanismen und einer drastischen Reduzierung der Rechenzeit erreicht.

Jinshan Liu, Ken Li, Jiazhe Wei, Bin Shi, Bo Dong2026-03-10🤖 cs.LG

DECADE: A Temporally-Consistent Unsupervised Diffusion Model for Enhanced Rb-82 Dynamic Cardiac PET Image Denoising

Das Paper stellt DECADE vor, ein unüberwachtes Diffusionsmodell, das durch die Einbeziehung zeitlicher Konsistenz Rb-82-dynamische kardiale PET-Bilder effektiv entrauscht und dabei sowohl die Bildqualität als auch die quantitative Genauigkeit der Durchblutungsparameter erhält, ohne auf gepaarte Trainingsdaten angewiesen zu sein.

Yinchi Zhou, Liang Guo, Huidong Xie, Yuexi Du, Ashley Wang, Menghua Xia, Tian Yu, Ramesh Fazzone-Chettiar, Christopher Weyman, Bruce Spottiswoode, Vladimir Panin, Kuangyu Shi, Edward J. Miller, Attila Feher, Albert J. Sinusas, Nicha C. Dvornek, Chi Liu2026-03-10💻 cs

QuadAI at SemEval-2026 Task 3: Ensemble Learning of Hybrid RoBERTa and LLMs for Dimensional Aspect-Based Sentiment Analysis

Das Paper stellt ein Ensemble-System für die SemEval-2026-Aufgabe 3 vor, das einen hybriden RoBERTa-Encoder mit Large Language Models kombiniert, um durch Regressions- und Klassifikationsköpfe sowie Stacking die Genauigkeit der dimensional-aspektbasierten Sentiment-Analyse zu verbessern.

A. J. W. de Vink, Filippos Karolos Ventirozos, Natalia Amat-Lefort, Lifeng Han2026-03-10💬 cs.CL

ProgAgent:A Continual RL Agent with Progress-Aware Rewards

Der Artikel stellt ProgAgent vor, einen kontinuierlichen Reinforcement-Learning-Agenten, der durch die Kombination von fortschrittsbasierten Belohnungen aus ungelabelten Expertenvideos, einer adversativen Regularisierung zur Vermeidung von Überanpassung und einer hocheffizienten JAX-Architektur das Vergessen verhindert und das robotische Lernen aus wenigen Demonstrationen erheblich verbessert.

Jinzhou Tan, Gabriel Adineera, Jinoh Kim2026-03-10🤖 cs.LG

Dual-Metric Evaluation of Social Bias in Large Language Models: Evidence from an Underrepresented Nepali Cultural Context

Diese Studie analysiert die sozialen Vorurteile von sieben führenden Large Language Models im nepalesischen Kontext und zeigt mittels eines Dual-Metric-Bewertungsrahmens auf, dass implizite generative Verzerrungen, die bei moderater Temperatur am stärksten sind, durch einfache Zustimmungsmetriken nicht erfasst werden können.

Ashish Pandey, Tek Raj Chhetri2026-03-10💬 cs.CL

Learning embeddings of non-linear PDEs: the Burgers' equation

Diese Arbeit stellt eine Methode vor, die Physics-Informed Neural Networks mit einem Multi-Head-Setup und orthogonality-bedingten PCA-Analysen kombiniert, um einen robusten, niedrigdimensionalen Einbettungsraum für die nichtlineare Burgers-Gleichung zu konstruieren, der die Dynamik durch wenige dominante Moden effizient erfasst.

Pedro Tarancón-Álvarez, Leonid Sarieddine, Pavlos Protopapas, Raul Jimenez2026-03-10🤖 cs.LG

HybridStitch: Pixel and Timestep Level Model Stitching for Diffusion Acceleration

Die Arbeit stellt HybridStitch vor, ein neues Paradigma für die Text-zu-Bild-Generierung, das durch eine hybride Verarbeitungsebene, welche große und kleine Diffusionsmodelle kombiniert, um komplexe Bildbereiche mit dem großen Modell zu verfeinern und einfache Bereiche mit dem kleinen Modell zu rendern, eine 1,83-fache Beschleunigung bei Stable Diffusion 3 erreicht.

Desen Sun, Jason Hon, Jintao Zhang, Sihang Liu2026-03-10💻 cs

Column Generation for the Micro-Transit Zoning Problem

Dieser Beitrag erweitert das Problem der Mikro-Transit-Zonierung durch die Einführung eines globalen Budgets anstelle von Größenbeschränkungen und löst es mittels eines effizienten Column-Generation-Rahmens mit Heuristiken, der in umfangreichen Experimenten in US-Städten überlegene Lösungen liefert.

Hins Hu, Rishav Sen, Jose Paolo Talusan, Abhishek Dubey, Aron Laszka, Samitha Samaranayake2026-03-10🔢 math

Gradient Iterated Temporal-Difference Learning

Die vorgestellte Arbeit stellt Gradient Iterated Temporal-Difference Learning vor, eine stabile Variante des iterierten TD-Lernens, die durch die Berechnung von Gradienten über bewegte Ziele eine mit semi-gradienten Methoden konkurrierende Lerngeschwindigkeit erreicht und dabei erstmals Gradient-TD-Methoden erfolgreich auf Atari-Spielen demonstriert.

Théo Vincent, Kevin Gerhardt, Yogesh Tripathi, Habib Maraqten, Adam White, Martha White, Jan Peters, Carlo D'Eramo2026-03-10🤖 cs.LG

AI Misuse in Education Is a Measurement Problem: Toward a Learning Visibility Framework

Der Artikel argumentiert, dass der Missbrauch von KI im Bildungswesen weniger ein Detektions- als vielmehr ein Messproblem darstellt, und schlägt das „Learning Visibility Framework" vor, das durch transparente Prozessnachweise und klare Regeln für den KI-Einsatz anstelle von Überwachungstools ethische Integrität und Vertrauen zwischen Lehrenden und Lernenden wiederherstellt.

Eduardo Davalos, Yike Zhang2026-03-10💻 cs

DistillGuard: Evaluating Defenses Against LLM Knowledge Distillation

Die Studie „DistillGuard" zeigt, dass die meisten bestehenden Output-Level-Verteidigungsmechanismen gegen Wissensdistillation durch proprietäre LLM-APIs überraschend ineffektiv sind und nur die Entfernung von Chain-of-Thought-Antworten die mathematische Reasoning-Fähigkeit des gestohlenen Wissens signifikant beeinträchtigt.

Bo Jiang2026-03-10💬 cs.CL

← Zurück Weiter →