🤖 Category

cs.AI

10160 Arbeiten

AI Agents, Language, Deep Learning and the Next Revolution in Science

Der Artikel schlägt vor, dass intelligente, menschlich überwachte KI-Agenten, die auf Deep Learning und großen Sprachmodellen basieren, die nächste Evolution der wissenschaftlichen Methode darstellen, wie am Beispiel des Dr.-Sai-Systems am Institut für Hochenergiephysik der Chinesischen Akademie der Wissenschaften demonstriert wird, um die wachsende Komplexität in datenintensiven Wissenschaften wie der Teilchenphysik zu bewältigen.

Ke Li, Beijiang Liu, Bruce Mellado, Changzheng Yuan, Zhengde Zhang2026-03-10💻 cs

ELLMob: Event-Driven Human Mobility Generation with Self-Aligned LLM Framework

Die Arbeit stellt ELLMob vor, ein selbstabstimmendes LLM-Framework, das unter Verwendung der Fuzzy-Trace-Theorie und eines neu erstellten, ereignisannotierten Datensatzes menschengemäße Mobilitätsdaten generiert, die sowohl gewohnheitsbasierte Muster als auch Einschränkungen durch Großereignisse wie den Taifun Hagibis, die COVID-19-Pandemie und die Olympischen Spiele 2021 in Tokio erfolgreich vereinen.

Yusong Wang, Chuang Yang, Jiawei Wang, Xiaohang Xu, Jiayi Xu, Dongyuan Li, Chuan Xiao, Renhe Jiang2026-03-10🤖 cs.LG

Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs

Die Arbeit stellt EvoStage vor, ein neuartiges evolutionäres Paradigma, das durch stufenweise Zerlegung, Echtzeit-Feedback und Multi-Agenten-Systeme die LLM-basierte algorithmische Gestaltung verbessert und dabei menschliche Experten sowie bestehende Methoden in Bezug auf Chip-Platzierung und Black-Box-Optimierung übertrifft.

Chen Lu, Ke Xue, Chengrui Gao, Yunqi Shi, Siyuan Xu, Mingxuan Yuan, Chao Qian, Zhi-Hua Zhou2026-03-10💻 cs

Adaptive Collaboration with Humans: Metacognitive Policy Optimization for Multi-Agent LLMs with Continual Learning

Die Arbeit stellt das HILA-Framework vor, das durch eine metakognitive Policy und einen Dual-Loop-Optimierungsansatz Multi-Agent-Systeme befähigt, den Zeitpunkt für autonome Lösungen oder menschliche Expertise-Einbindung dynamisch zu steuern und sich durch kontinuierliches Lernen aus Feedback stetig zu verbessern.

Wei Yang, Defu Cao, Jiacheng Pang, Muyan Weng, Yan Liu2026-03-10💻 cs

VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments

Das Paper stellt VORL-EXPLORE vor, einen hybriden Lern- und Planungsansatz für die Multi-Robot-Erkundung in dynamischen Umgebungen, der durch eine geteilte Schätzung der Navigierbarkeit die Aufgabenverteilung mit der Bewegungssteuerung koppelt, um Engpässe zu vermeiden und eine robuste, kollisionsfreie Erkundung zu gewährleisten.

Ning Liu, Sen Shen, Zheng Li, Sheng Liu, Dongkun Han, Shangke Lyu, Thomas Braunl2026-03-10💻 cs

OSExpert: Computer-Use Agents Learning Professional Skills via Exploration

Das Paper stellt OSExpert vor, einen Computer-Nutzungs-Agenten, der durch einen GUI-basierten Tiefensuch-Algorithmus (GUI-DFS) und das Erlernen von Aktionsprimitiven professionelle Fähigkeiten erwirbt, wodurch er auf dem Benchmark OSExpert-Eval eine Leistungssteigerung von rund 20 % und eine um 80 % verbesserte Effizienz im Vergleich zu menschlichen Experten erreicht.

Jiateng Liu, Zhenhailong Wang, Rushi Wang, Bingxuan Li, Jeonghwan Kim, Aditi Tiwari, Pengfei Yu, Denghui Zhang, Heng Ji2026-03-10💻 cs

Emergence is Overrated: AGI as an Archipelago of Experts

Dieser Artikel stellt die These von Krakauer, Krakauer und Mitchell in Frage, dass wahre Intelligenz auf effizienter Kompression und Analogie beruht, und argumentiert stattdessen, dass menschliche Expertise durch domänenspezifische Musterakkumulation entsteht, was dazu führt, dass Künstliche Allgemeine Intelligenz (AGI) besser als ein „Archipel von Experten" aus spezialisierten Modulen ohne einheitliche Prinzipien konzeptualisiert werden sollte.

Daniel Kilov2026-03-10💬 cs.CL

\$OneMillion-Bench: How Far are Language Agents from Human Experts?

Die Arbeit stellt \$OneMillion-Bench vor, einen Benchmark mit 400 von Experten erstellten Aufgaben aus fünf Fachbereichen, der darauf abzielt, die Zuverlässigkeit und professionelle Tiefe von Sprachagenten in realen, wirtschaftlich bedeutenden Szenarien durch eine rubrikbasierte Bewertung zu messen.

Qianyu Yang, Yang Liu, Jiaqi Li, Jun Bai, Hao Chen, Kaiyuan Chen, Tiliang Duan, Jiayun Dong, Xiaobo Hu, Zixia Jia, Yang Liu, Tao Peng, Yixin Ren, Ran Tian, Zaiyuan Wang, Yanglihong Xiao, Gang Yao, Lingyue Yin, Ge Zhang, Chun Zhang, Jianpeng Jiao, Zilong Zheng, Yuan Gong2026-03-10🤖 cs.LG

CMMR-VLN: Vision-and-Language Navigation via Continual Multimodal Memory Retrieval

Die Arbeit stellt CMMR-VLN vor, ein Vision-and-Language-Navigation-Framework, das Large-Language-Modelle durch eine strukturierte, multimodale Erinnerung und Reflexionsmechanismen befähigt, relevante Erfahrungen selektiv abzurufen, was in Simulationen und realen Tests zu signifikant verbesserten Erfolgsraten im Vergleich zu bestehenden Ansätzen führt.

Haozhou Li, Xiangyu Dong, Huiyan Jiang, Yaoming Zhou, Xiaoguang Ma2026-03-10💻 cs

Aero-Promptness: Drag-Aware Aerodynamic Manipulability for Propeller-driven Vehicles

Diese Arbeit stellt den Drag-Aware Aerodynamic Manipulability (DAAM) vor, einen geometrischen Rahmen für die Kraftzuweisung redundanter Multirotoren, der durch eine riemannsche Metrik und die Optimierung des manipulierbaren Volumens motorische Drehmomentgrenzen sowie aerodynamischen Widerstand explizit berücksichtigt, um eine koordinateninvariante Redundanzauflösung zu ermöglichen.

Antonio Franchi2026-03-10🔢 math

ViSA-Enhanced Aerial VLN: A Visual-Spatial Reasoning Enhanced Framework for Aerial Vision-Language Navigation

Die Arbeit stellt ViSA vor, ein Framework zur Verbesserung der aerialen Vision-Language-Navigation durch visuelle-räumliche Schlussfolgerung, das ohne Nachtraining von Sprachmodellen auskommt und auf dem CityNav-Benchmark eine 70,3%ige Steigerung der Erfolgsrate gegenüber dem aktuellen State-of-the-Art erzielt.

Haoyu Tong, Xiangyu Dong, Xiaoguang Ma, Haoran Zhao, Yaoming Zhou, Chenghao Lin2026-03-10💻 cs

Not Like Transformers: Drop the Beat Representation for Dance Generation with Mamba-Based Diffusion Model

Die Arbeit stellt MambaDance vor, einen neuartigen Ansatz zur Tanzgenerierung, der ein Mamba-basiertes Diffusionsmodell mit einer glockenförmigen Beat-Repräsentation kombiniert, um im Vergleich zu Transformer-basierten Methoden längere, rhythmisch präzisere und musikalisch synchronisierte Tanzbewegungen zu erzeugen.

Sangjune Park, Inhyeok Choi, Donghyeon Soon, Youngwoo Jeon, Kyungdon Joo2026-03-10💻 cs

DyLLM: Efficient Diffusion LLM Inference via Saliency-based Token Selection and Partial Attention

Das Paper stellt DyLLM vor, ein trainingsfreies Inferenz-Framework für Masked Diffusion Language Models, das durch die selektive Berechnung nur salienter Token basierend auf der Ähnlichkeit ihrer Aufmerksamkeitskontexte die Durchsatzrate um bis zu 9,6-fach steigert, ohne dabei die Genauigkeit nennenswert zu beeinträchtigen.

Younjoo Lee, Junghoo Lee, Seungkyun Dan, Jaiyoung Park, Jung Ho Ahn2026-03-10💬 cs.CL

GCGNet: Graph-Consistent Generative Network for Time Series Forecasting with Exogenous Variables

Die Arbeit stellt GCGNet vor, ein graphenbasiertes generatives Netzwerk, das durch die Kombination von Variationsgenerierung, Graph-Strukturausrichtung und Graphenverfeinerung robuste und präzise Zeitreihenvorhersagen unter Einbeziehung exogener Variablen ermöglicht und dabei gleichzeitig zeitliche und kanalübergreifende Korrelationen gemeinsam modelliert.

Zhengyu Li, Xiangfei Qiu, Yuhan Zhu, Xingjian Wu, Jilin Hu, Chenjuan Guo, Bin Yang2026-03-10🤖 cs.LG

Solution to the 10th ABAW Expression Recognition Challenge: A Robust Multimodal Framework with Safe Cross-Attention and Modality Dropout

Diese Arbeit stellt ein robustes multimodales Framework mit sicherer Kreuz-Aufmerksamkeit und Modality-Dropout vor, das durch Fokussierung auf unvollständige Daten und Klassenungleichgewicht die Emotionserkennung im Rahmen der 10. ABAW-Herausforderung verbessert.

Jun Yu, Naixiang Zheng, Guoyuan Wang, Yunxiang Zhang, Lingsi Zhu, Jiaen Liang, Wei Huang, Shengping Liu2026-03-10💻 cs