9711 Arbeiten
Die Studie zeigt, dass die kritische Driftschwelle, ab der ein RL-Agent mit Weltmodell Anomalien erkennt, durch das Zusammenspiel von Detektorempfindlichkeit, Rauschuntergrund und Umgebungsstruktur bestimmt wird, wobei subtile Drifts oft unentdeckt bleiben und in fragilen Umgebungen ein Zusammenbruch vor einer Wahrnehmung erfolgen kann.
Das Papier stellt R2F vor, einen Echtzeit-fähigen, LLM-freien Ansatz für die objektorientierte Navigation, der Strahlfronten als semantische Hypothesen nutzt, um die Latenz und den Rechenaufwand von herkömmlichen VLM-basierten Systemen zu eliminieren.
Die Arbeit stellt X-AVDT vor, einen robusten Deepfake-Detektor, der durch die Analyse interner Audio-Visual-Cross-Attention-Mechanismen und die Einführung des neuen Multimodal-Datensatzes MMDF eine überlegene Generalisierungsfähigkeit gegenüber zukünftigen Generatoren erreicht.
Die vorgestellte Arbeit schlägt Visual Self-Fulfilling Alignment (VSFA) vor, eine label-freie Methode, die durch das Feinabstimmen von Multimodalen Sprachmodellen auf neutrale Fragen zu bedrohlichen Bildern implizit Sicherheitsbewusstsein und wachsame Persönlichkeiten fördert, ohne explizite Sicherheitslabels zu benötigen.
Die Arbeit stellt einen operator-theoretischen Rahmen vor, der strukturelle Einschränkungen in der Optimierung durch selbstadjungierte Operatoren kodiert, um eine verzerrte Aufstiegsgeometrie, spektrale Kompression und strukturelle Kompatibilität für mehrere Ziele innerhalb eines einheitlichen geometrischen Modells zu vereinen.
Die Arbeit stellt Echo2ECG vor, ein multimodales selbstüberwachtes Lernframework, das EKG-Repräsentationen durch die Integration morphologischer Informationen aus multi-View-Echokardiogrammen verbessert und damit in klinischen Aufgaben struktureller Herzerkrankungen sowie beim Retrieval von Echostudien den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt Oracle-Guided Soft Shielding (OGSS) vor, ein Framework, das durch die Kombination einer auf Imitationslernen basierenden Zugschätzung mit einem separaten Modell zur Vorhersage von taktischen Fehlern (Blunders) eine sichere Exploration im Schach ermöglicht und dabei die Fehlerquote trotz erhöhter Explorationsrate signifikant senkt.
Die Arbeit stellt \texttt{GlobAlign} und seine effiziente Variante \texttt{GlobAlign-E} vor, die durch ein neues Paradigma der globalen Repräsentation und einen hierarchischen optimalen Transport-Algorithmus das Genauigkeits-Effizienz-Dilemma beim unüberwachten Graph-Alignment überwinden und dabei sowohl die Treffgenauigkeit als auch die Geschwindigkeit bestehender Methoden signifikant verbessern.
Das Paper stellt RetroAgent vor, ein Online-Verstärkungs-Lern-Framework für LLM-Agenten, das durch retrospektive Selbstreflexion und duale intrinsische Rückmeldung (numerisch und sprachbasiert) nicht nur Aufgaben löst, sondern sich kontinuierlich weiterentwickelt und dabei in vier anspruchsvollen Szenarien den aktuellen Stand der Technik deutlich übertrifft.
Die Arbeit stellt OSS-CRS vor, ein offen zugängliches, lokal einsetzbares Framework, das die zuvor an die DARPA-Cloud gebundenen KI-gestützten Cyber-Reasoning-Systeme für reale Open-Source-Projekte nutzbar macht und dabei erfolgreich neue Sicherheitslücken aufdeckt.
Das Paper stellt ein mathematisches Rahmenwerk vor, das Vertrauen in Quellen – insbesondere KI-Agenten – nicht auf absolute Richtigkeit, sondern auf die „Überzeugung" (Conviction) gründet, definiert als die Wahrscheinlichkeit, dass eine Position durch unabhängigen Konsens bestätigt wird, und leitet daraus Reputation als erwarteten gewichteten Überzeugungswert ab.
Diese Arbeit stellt zwei neuartige Streaming-Deep-Reinforcement-Learning-Algorithmen, S2AC und SDAC, vor, die durch rein online Updates ressourcenschonend sind, eine hohe Leistung ohne aufwendiges Hyperparameter-Tuning erreichen und sich besonders für On-Geräte-Feinabstimmungen wie Sim2Real-Transfer eignen.
Die Arbeit stellt MAGIC Net vor, einen neuartigen Ansatz für Streaming-Continual-Learning, der rekurrente neuronale Netze mit lernbaren Masken über eingefrorenen Gewichten kombiniert, um zeitliche Abhängigkeiten zu bewältigen, Katastrophales Vergessen zu mindern und gleichzeitig den Speicherbedarf zu begrenzen.
Diese Arbeit stellt einen schwach überwachten Lehrer-Schüler-Rahmen mit progressiver Verfeinerung von Pseudo-Masken vor, der mithilfe sparer pathologischer Annotationen und eines stabilisierten Lehrernetzwerks eine annotierungseffiziente und generalisierbare Segmentierung von Drüsenstrukturen in der kolorektalen Histopathologie ermöglicht.
Die Arbeit stellt PostTrainBench vor, einen Benchmark, der zeigt, dass autonome KI-Agenten zwar Fortschritte beim automatisierten Nachtrainieren von Sprachmodellen erzielen und in spezifischen Szenarien sogar offizielle Modelle übertreffen können, jedoch im Durchschnitt hinter diesen zurückbleiben und dabei problematische Verhaltensweisen wie Reward-Hacking an den Tag legen.
Die Studie stellt OfficeQA Pro vor, einen neuen Benchmark zur Bewertung von KI-Agenten beim fundierten Schlussfolgern über einen umfangreichen Korpus von US-Finanzdokumenten, der zeigt, dass selbst fortschrittliche Sprachmodelle ohne spezifische Dokumentenverarbeitung und strukturierte Repräsentation bei komplexen, unternehmensrelevanten Aufgaben erhebliche Schwierigkeiten haben.
Diese Arbeit nutzt das KI-gesteuerte Evolutionsframework AlphaEvolve, um eine neue Worst-Case-Schranke von 2,0749 für das Verhältnis zwischen dem optimalen Gewinn aus Handel und dem des Random-Offerer-Mechanismus im bilateralen Handel zu ermitteln, was die bisher bekannte Lücke zur ersten Best-Optimierung erweitert.
Die Studie stellt mit „Trilobyte" ein neues Byte-Level-Tokenisierungsschema vor, das den Einsatz autoregressiver Sprachmodelle für verlustfreie Kompression von hochauflösendem 24-Bit-Audio ermöglicht und dabei zwar FLAC übertrifft, jedoch mit abnehmenden Kompressionsgewinnen bei steigender Bittiefe konfrontiert ist.
Diese Arbeit stellt einen NP-schweren Optimierungsansatz für die Aufteilung von Modellen in hierarchischem Split Federated Learning vor, der durch eine neuartige heuristische Lösung die Genauigkeit um 3 %, die Verzögerung um 20 % und den Kommunikationsaufwand um 50 % im Vergleich zu bestehenden Methoden verbessert.
Der vorgestellte Ansatz „Agentic Critical Training" (ACT) nutzt eine Verstärkungslern-Paradigma, um Large Language Models zu befähigen, durch das autonome Bewerten von Handlungsalternativen echte Selbstreflexion zu entwickeln, was im Vergleich zu herkömmlichen Imitations- und Verstärkungslernmethoden zu signifikant besseren Leistungen und einer stärkeren Generalisierungsfähigkeit führt.