cs.AI Arbeiten | Gist.Science

Benchmarking Federated Learning in Edge Computing Environments: A Systematic Review and Performance Evaluation

Diese Arbeit führt eine systematische Überprüfung und Leistungsbewertung von Federated-Learning-Methoden in Edge-Computing-Umgebungen durch, wobei verschiedene Algorithmen hinsichtlich Genauigkeit, Konvergenz und Ressourceneffizienz verglichen werden, um bestehende Herausforderungen wie Datenheterogenität zu identifizieren und eine Forschungsagenda für zukünftige robuste Systeme zu entwickeln.

Sales Aribe Jr., Gil Nicholas Cagande2026-03-11🤖 cs.AI

Autonomous Edge-Deployed AI Agents for Electric Vehicle Charging Infrastructure Management

Die Arbeit stellt Auralink SDC vor, ein Edge-Architekturkonzept mit spezialisierten KI-Agenten, das durch Techniken wie confidence-kalibrierte autonome Fehlerbehebung und adaptive Retrieval-Augmented Reasoning die Zuverlässigkeit und Reaktionsgeschwindigkeit von EV-Ladeinfrastruktur signifikant verbessert und dabei 78 % autonome Störungsbehebung bei sub-50ms-Latenz erreicht.

Mohammed Cherifi2026-03-11🤖 cs.AI

Sensitivity-Guided Framework for Pruned and Quantized Reservoir Computing Accelerators

Diese Arbeit stellt einen Sensitivitäts-basierten Kompressionsrahmen für Reservoir Computing vor, der durch systematische Kombination von Pruning und Quantisierung die Hardware-Effizienz auf FPGAs erheblich steigert, ohne die Modellgenauigkeit zu beeinträchtigen.

Atousa Jafari, Mahdi Taheri, Hassan Ghasemzadeh Mohammadi, Christian Herglotz, Marco Platzner2026-03-11🤖 cs.AI

Architectural Design and Performance Analysis of FPGA based AI Accelerators: A Comprehensive Review

Diese umfassende Übersicht untersucht FPGA-basierte KI-Beschleuniger, indem sie deren architektonische Vorteile gegenüber ASICs und GPUs hervorhebt, verschiedene Hardware-Optimierungstechniken analysiert und aktuelle Herausforderungen sowie zukünftige Innovationsmöglichkeiten für das Design solcher Beschleuniger aufzeigt.

Soumita Chatterjee, Sudip Ghosh, Tamal Ghosh, Hafizur Rahaman2026-03-11🤖 cs.AI

Zipage: Maintain High Request Concurrency for LLM Reasoning through Compressed PagedAttention

Die Arbeit stellt Zipage vor, einen hochparallelen LLM-Inferenz-Engine, der durch die Kombination von tokenweiser KV-Cache-Komprimierung mit PagedAttention sowie fortschrittlichen Scheduling-Strategien den Speicherkonflikt bei komplexen Reasoning-Aufgaben löst und dabei über 2,1-fache Geschwindigkeitssteigerungen bei nur geringen Genauigkeitseinbußen erzielt.

Mengqi Liao, Lu Wang, Chaoyun Zhang, Bo Qiao, Si Qin, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang, Huaiyu Wan2026-03-11🤖 cs.AI

Diagnosing FP4 inference: a layer-wise and block-wise sensitivity analysis of NVFP4 and MXFP4

Diese Studie führt eine systematische, schichten- und blockweise Sensitivitätsanalyse der FP4-Quantisierungsformate NVFP4 und MXFP4 auf verschiedenen Qwen2.5-Modellskalen durch und identifiziert dabei, dass MLP-Projektionsschichten die höchste Empfindlichkeit aufweisen, während die Sensitivität nicht ausschließlich auf die letzten Blöcke beschränkt ist.

Musa Cim, Burak Topcu, Mahmut Taylan Kandemir2026-03-11🤖 cs.AI

Permutation-Equivariant 2D State Space Models: Theory and Canonical Architecture for Multivariate Time Series

Die Arbeit führt das theoretisch fundierte, permutationsäquivariante VI 2D SSM ein, das durch den Verzicht auf künstliche Variablenreihenfolgen und die Reduzierung der Abhängigkeitstiefe auf konstante Komplexität einen neuen State-of-the-Art bei der Modellierung multivariater Zeitreihen erreicht.

Seungwoo Jeong, Heung-Il Suk2026-03-11🤖 cs.AI

Hindsight Credit Assignment for Long-Horizon LLM Agents

Die Arbeit stellt HCAPO vor, ein neues Framework, das durch die Integration von Hindsight-Credit-Assignment und einem Multi-Scale-Vorteilsmechanismus die Effizienz und Erfolgsrate von LLM-Agenten bei langfristigen Aufgaben im Vergleich zu bestehenden Methoden wie GRPO signifikant verbessert.

Hui-Ze Tan, Xiao-Wen Yang, Hao Chen, Jie-Jing Shao, Yi Wen, Yuteng Shen, Weihong Luo, Xiku Du, Lan-Zhe Guo, Yu-Feng Li2026-03-11🤖 cs.AI

Turn: A Language for Agentic Computation

Die Arbeit stellt Turn vor, eine kompilierte, actor-basierte Programmiersprache, die durch sprachintegrierte Konstrukte wie typsichere LLM-Inferenz, ein kapazitätsbasiertes Identitätssystem und einen isolierten Actor-Prozessmodell agente Software entwickelt, die autonom durch Large Language Models (LLMs) reasoning und Handeln kann.

Muyukani Kizito2026-03-11🤖 cs.AI

Generalized Reduction to the Isotropy for Flexible Equivariant Neural Fields

Diese Arbeit stellt eine prinzipielle Reduktionsmethode vor, die es ermöglicht, $G$ -invariante Funktionen auf Produkträumen $X \times M$ durch Invarianten der Isotropiegruppe $H$ auf $X$ allein darzustellen, wodurch die strukturellen Einschränkungen bestehender äquivarianter neuronaler Felder beseitigt und deren Anwendbarkeit auf beliebige Gruppenaktionen erweitert wird.

Alejandro García-Castellanos, Gijs Bellaard, Remco Duits, Daniel Pelt, Erik J Bekkers2026-03-11🤖 cs.AI

EDMFormer: Genre-Specific Self-Supervised Learning for Music Structure Segmentation

Das Paper stellt EDMFormer vor, ein Transformer-Modell, das durch die Kombination von selbstüberwachtem Lernen mit dem neu eingeführten, professionell annotierten EDM-98-Datensatz und einer genre-spezifischen Taxonomie die Segmentierung der Musikstruktur in elektronischer Tanzmusik, insbesondere bei Drops und Buildups, deutlich verbessert.

Sahal Sajeer, Krish Patel, Oscar Chung, Joel Song Bae2026-03-11🤖 cs.AI

Clear, Compelling Arguments: Rethinking the Foundations of Frontier AI Safety Cases

Diese Arbeit kritisiert die aktuellen Ansätze der Alignment-Community für Sicherheitsnachweise bei Frontier-KI-Systemen, leitet Erkenntnisse aus etablierten Sicherheitsverfahren kritischer Industrien ab und entwickelt ein fundierteres Rahmenwerk, um robuste und verteidigbare Sicherheitsnachweise für spezifische Risiken wie täuschende Ausrichtung und CBRN-Fähigkeiten zu erstellen.

Shaun Feakins, Ibrahim Habli, Phillip Morgan2026-03-11🤖 cs.AI

Multi-level meta-reinforcement learning with skill-based curriculum

Diese Arbeit stellt einen effizienten, mehrstufigen Meta-Reinforcement-Learning-Ansatz vor, der durch die Kompression von MDPs, die Faktorisierung von Strategien in Skills und die Einbettung in ein Curriculum-Learning-Framework komplexe sequenzielle Entscheidungsprobleme mit natürlicher Hierarchie strukturiert löst und dabei Transferfähigkeit sowie Recheneffizienz verbessert.

Sichen Yang (Johns Hopkins University), Mauro Maggioni (Johns Hopkins University)2026-03-11🤖 cs.AI

Large Language Model-Assisted Superconducting Qubit Experiments

Diese Arbeit stellt ein Framework vor, das große Sprachmodelle (LLMs) nutzt, um die Steuerung und Messung supraleitender Qubits durch die automatische Generierung und Ausführung von Werkzeugen zu automatisieren, was eine schnellere Implementierung bekannter Protokolle und flexiblere neue Experimente ermöglicht.

Shiheng Li, Jacob M. Miller, Phoebe J. Lee, Gustav Andersson, Christopher R. Conner, Yash J. Joshi, Bayan Karimi, Amber M. King, Howard L. Malc, Harsh Mishra, Hong Qiao, Minseok Ryu, Xuntao Wu, Siyuan Xing, Haoxiong Yan, Jian Shi, Andrew N. Cleland2026-03-11⚛️ quant-ph

Test-Driven AI Agent Definition (TDAD): Compiling Tool-Using Agents from Behavioral Specifications

Die Arbeit stellt TDAD vor, eine Methode zur zuverlässigen Entwicklung von KI-Agenten, die Verhaltensspezifikationen in ausführbare Tests umwandelt und durch iterative Prompt-Verfeinerung sowie Mechanismen wie versteckte Tests und semantische Mutationstests sicherstellt, dass die Agenten spezifizierte Anforderungen und Richtlinien einhalten.

Tzafrir Rehan2026-03-11🤖 cs.AI

Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams

Die Arbeit stellt Scale-Plan vor, ein skalierbares Framework, das große Sprachmodelle nutzt, um aus natürlichen Anweisungen kompakte, aufgabenrelevante Darstellungen zu generieren und so die Planung für heterogene Multi-Roboter-Teams durch die Filterung irrelevanter Informationen effizienter und zuverlässiger zu gestalten.

Piyush Gupta, Sangjae Bae, Jiachen Li, David Isele2026-03-11🤖 cs.AI

Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage

Die Studie zeigt, dass abdeckungsorientierte Suchmetriken verlässliche Frühindikatoren für die Informationsabdeckung in RAG-Systemen sind, insbesondere wenn die Suchziele mit den Generierungszielen übereinstimmen, wobei komplexe iterative Pipelines diese Abhängigkeit teilweise aufheben können.

Saron Samuel, Alexander Martin, Eugene Yang, Andrew Yates, Dawn Lawrie, Ian Soborof, Laura Dietz, Benjamin Van Durme2026-03-11🤖 cs.AI

Fish Audio S2 Technical Report

Der technische Bericht stellt Fish Audio S2 vor, ein Open-Source-Text-to-Speech-System, das durch mehrstufiges Training und eine spezielle Datenpipeline eine natürliche Sprachsteuerung, Multi-Speaker-Fähigkeiten und Multi-Turn-Generation ermöglicht und dabei mit einer effizienten SGLang-Inferenz-Engine eine Echtzeitfaktor von 0,195 sowie eine Latenz unter 100 ms erreicht.

Shijia Liao, Yuxuan Wang, Songting Liu, Yifan Cheng, Ruoyi Zhang, Tianyu Li, Shidong Li, Yisheng Zheng, Xingwei Liu, Qingzheng Wang, Zhizhuo Zhou, Jiahua Liu, Xin Chen, Dawei Han2026-03-11🤖 cs.AI

Are Expressive Encoders Necessary for Discrete Graph Generation?

Die Studie stellt mit GenGNN einen modularen Message-Passing-Rahmen vor, der zeigt, dass expressive Encoder wie Transformer für die diskrete Graphen-Generierung nicht zwingend erforderlich sind, da GNN-basierte Diffusionsmodelle vergleichbare Validität bei deutlich schnellerer Inferenz erreichen.

Jay Revolinsky, Harry Shomer, Jiliang Tang2026-03-11🤖 cs.AI

MASEval: Extending Multi-Agent Evaluation from Models to Systems

Das Paper stellt MASEval vor, ein framework-agnostisches Evaluationsframework, das nachweist, dass die Wahl des Agenten-Frameworks ebenso entscheidend für die Leistung ist wie die des zugrunde liegenden Modells, und ermöglicht somit eine systemische Analyse aller Komponenten agenter Systeme.

Cornelius Emde, Alexander Rubinstein, Anmol Goel, Ahmed Heakl, Sangdoo Yun, Seong Joon Oh, Martin Gubri2026-03-11🤖 cs.AI

← Zurück Weiter →