2385 Arbeiten
Diese Studie stellt ELERAG vor, eine für den Bildungssektor optimierte Retrieval-Augmented-Generation-Architektur, die durch die Integration von Entity Linking und einer hybriden Neuordnung auf Basis von Reciprocal Rank Fusion die faktenbasierte Genauigkeit bei der Beantwortung von Fragen auf Italienisch in domänenspezifischen Kontexten signifikant verbessert.
Die Arbeit stellt EMFusion vor, ein bedingtes diffusionsbasiertes Framework zur probabilistischen Vorhersage frequenzselektiver elektromagnetischer Felder in drahtlosen Netzen, das durch die Integration kontextueller Faktoren und einer Imputations-basierten Stichprobenstrategie sowohl präzise multivariate Prognosen als auch verlässliche Unsicherheitsquantifizierung ermöglicht.
Die Studie zeigt, dass ein durch gezieltes Feinabstimmen optimiertes Small Language Model (OPT-350M) bei der Tool-Auswahl Large Language Models deutlich übertrifft und somit eine kosteneffiziente Alternative für den produktiven Einsatz von generativer KI bietet.
Die Arbeit stellt SAGE vor, ein Reinforcement-Learning-Framework, das durch sequenzielle Rollouts und eine integrierte Belohnungsfunktion die Selbstverbesserung von LLM-Agenten mittels einer dynamischen Skill-Bibliothek ermöglicht und dabei sowohl die Erfolgsrate als auch die Effizienz im Vergleich zu bestehenden Ansätzen signifikant steigert.
Die Arbeit stellt MCGI vor, eine geometrieaware Methode zur diskbasierten Vektorsuche, die durch die dynamische Anpassung der Suchstrategie an die lokale intrinsische Dimensionalität die Leistung von Approximate Nearest Neighbor-Suchen in hochdimensionalen Räumen erheblich verbessert und dabei die Abhängigkeit von statischen Hyperparametern eliminiert.
Die Arbeit stellt CRANE vor, ein neues Analyseframework, das mithilfe gezielter Neuronen-Interventionen und nicht bloßer Aktivierungsmessungen sprachspezifische Neuronen in mehrsprachigen großen Sprachmodellen präziser identifiziert und dabei eine asymmetrische, aber nicht ausschließliche Spezialisierung dieser Neuronen aufzeigt.
Die vorgestellte Arbeit führt das Bayesian Generative Modeling (BGM) ein, ein einheitliches Framework, das mithilfe eines stochastischen iterativen Bayesianischen Update-Algorithmus ein generatives Modell lernt, um beliebige bedingte Inferenzen mit prinzipieller Unsicherheitsquantifizierung durchzuführen, ohne dass ein erneutes Training für unterschiedliche Konditionierungsstrukturen erforderlich ist.
Diese Arbeit stellt SpaceHMchat vor, ein Open-Source-Framework für die Mensch-KI-Kollaboration, das durch die Anwendung des AUC-Prinzips und die Bereitstellung eines umfassenden Datensatzes das ganzheitliche Gesundheitsmanagement von Satelliten-Stromversorgungssystemen im Zeitalter der Mega-Konstellationen revolutioniert.
Die Arbeit stellt CLEAR-Mamba vor, ein verbessertes Framework für die Klassifizierung ophthalmischer Angiographie-Bilder, das durch eine hypernetzwerkbasierte adaptive Schicht und ein verlässlichkeitsbewusstes Vorhersageschema auf Evidenzunsicherheit die Generalisierbarkeit und Zuverlässigkeit bei der Diagnose von Netzhauterkrankungen über verschiedene Modalitäten hinweg signifikant steigert.
Diese Arbeit stellt ein System vor, das mithilfe von LLM-gestützten Web-Recherche-Agenten automatisch eine große Anzahl diverser und schwieriger Prognosefragen generiert und löst, um damit KI-Modelle zu evaluieren und deren Vorhersagefähigkeiten durch Strategien wie die Fragezerlegung nachweislich zu verbessern.
Die Arbeit stellt EigenData vor, ein einheitliches Framework, das durch einen selbstentwickelnden Multi-Agenten-Prozess synthetische Trainingsdaten mit verifizierbaren Belohnungen kombiniert, um effizient und skalierbar leistungsfähige, interaktive Tool-Nutzungs-Agenten ohne teure menschliche Annotation zu trainieren.
Die Studie stellt ein gated Multi-Head-Transformer-Modell vor, das durch die Integration eines Detektionskopfes in einen Swin U-Net-Architektur falsche Segmentierungen in anatomisch ungültigen Schichten effektiv unterdrückt und so die Zuverlässigkeit der automatisierten Konturierung in der Strahlentherapie erheblich verbessert.
Die Arbeit stellt UAT-LITE vor, ein Inferenzzeit-Framework, das durch Monte-Carlo-Dropout in vortrainierten Transformern epistemische Unsicherheit direkt in den Selbst-Aufmerksamkeitsmechanismus integriert, um die Kalibrierung und die Zuverlässigkeit von Vorhersagen ohne Nachtraining zu verbessern.
Die Arbeit stellt WebAccessVL vor, ein visuell-linguistisches Modell, das durch eine überwachte Bild-zu-Programm-Synthese und eine verletzungsbasierte Verfeinerung automatisch HTML-Codes so anpasst, dass WCAG2-Verstöße behoben werden, während das ursprüngliche Design erhalten bleibt.
Die Arbeit argumentiert, dass das Vertrauen in Chatbots oft weniger auf tatsächlicher Zuverlässigkeit als vielmehr auf durch Interaktionsdesign ausgelösten kognitiven Verzerrungen beruht, was eine Neudefinition dieser Systeme als zielgerichtete „Verkäufer" und eine klare Unterscheidung zwischen psychologischem Vertrauen und normativer Vertrauenswürdigkeit erfordert.
Die Arbeit stellt RoSE vor, eine neue Methode, die monokulare Normalenschätzung durch die Umformulierung als Schattierungssequenz-Schätzung mittels generativer Bild-zu-Video-Modelle verbessert und so die häufige geometrische Fehlausrichtung bestehender Ansätze überwindet.
Die Arbeit stellt „Infusion" vor, ein Framework, das mithilfe von Einflussfunktionen subtile, gezielte Änderungen an Trainingsdaten vornimmt, um das Verhalten von KI-Modellen in Bild- und Sprachdomänen effizient zu manipulieren.
Die vorgestellte Arbeit entwickelt einen energiebewussten Rahmen für das kontinuierliche Lernen in spikenden neuronalen Netzen, der durch adaptive Spike-Budgets und replay-basierte Mechanismen sowohl die Genauigkeit als auch die Energieeffizienz bei der Verarbeitung von bildbasierten und ereignisbasierten Daten verbessert und so die praktische Einsetzbarkeit neuromorpher Visionssysteme vorantreibt.
Das Paper stellt B-DENSE vor, ein neuartiges Framework, das durch die Nutzung multi-brancher Trajektorienausrichtung und dichten Zwischen-supervision die Diskretisierungsfehler bei der Destillation von Diffusionsmodellen reduziert und so die Bildqualität im Vergleich zu bestehenden Methoden verbessert.
Die Arbeit beweist einen informationstheoretischen No-Go-Satz, der zeigt, dass klassische ontologische Modelle, die denselben ontischen Zustandsraum für mehrere Interventionen wiederverwenden, unvermeidbare kontextuelle Informationskosten aufweisen, während die Quantenmechanik diese Einschränkung durch die Aufgabe der Annahme einer einzigen zugrunde liegenden klassischen Variablen umgeht.