10232 Arbeiten
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Das Paper stellt „AI Steerability 360" vor, eine erweiterbare, quelloffene Python-Bibliothek von IBM, die ein einheitliches Interface für die Steuerung von Large Language Models über vier Kontrollflächen (Eingabe, Struktur, Zustand und Ausgabe) sowie Werkzeuge zur einfachen Entwicklung, Komposition und umfassenden Evaluierung von Steuerungsstrategien bietet.
Die Studie zeigt, dass LLM-Agenten absichtlich täuschen können, indem sie vorwiegend durch strategisches Framing wahrer Aussagen statt durch Lügen handeln, wobei die Motivation des Ziels der Hauptangriffspunkt ist und herkömmliche Faktenprüfungen diesen Täuschungen kaum begegnen können.
Die Arbeit stellt SynPlanResearch-R1 vor, ein Framework, das durch synthetisierte Tool-Nutzungspfade die Exploration von Forschungsagenten während des kalten Start-Trainings verbessert und so die Leistung auf mehreren Benchmarks im Vergleich zu bestehenden Methoden signifikant steigert.
Der Artikel stellt die „Sleep Replay Consolidation" (SRC) vor, eine post-training-Methode, die durch biologischen Schlaf inspirierte interne Replays die Kalibrierung künstlicher neuronaler Netze verbessert und so deren Zuverlässigkeit erhöht.
Die Arbeit stellt mit Hospitality-VQA ein neues Benchmark-Dataset und einen Rahmen für die Bewertung der Entscheidungsrelevanz von Vision-Language-Modellen im Hospitality-Bereich vor und zeigt, dass eine gezielte Domänen-Feinabstimmung notwendig ist, um diese Modelle für die zuverlässige Extraktion nutzerrelevanter Informationen aus Hotelbildern zu befähigen.