10273 Arbeiten
Das Paper stellt FinToolBench vor, das erste ausführbare Benchmark-System mit 760 realen Finanzwerkzeugen und einem spezialisierten Evaluierungsrahmen, um die Leistung von LLM-Agenten in komplexen, regulatorisch anspruchsvollen Finanzszenarien zu bewerten.
Die Studie zeigt, dass sich die rechenintensive Bias-Erkennung in Finanz-LLMs durch die Nutzung konsistenter Muster über verschiedene Modelle hinweg erheblich beschleunigen lässt, indem beispielsweise 73 % der Verzerrungen von FinMA bereits mit nur 20 % der Eingabepaare identifiziert werden können, wenn man sich auf Erkenntnisse aus DistilRoBERTa stützt.
Das Paper stellt SAIL vor, ein Framework für das In-Context-Imitationslernen, das die Robustheit von Robotern bei variierenden Umgebungen durch testzeitbasiertes Skalieren mittels Monte-Carlo-Baumsuche, eines VLM-basierten Bewertungssystems und einer automatisierten Archivierung erfolgreicher Trajektorien signifikant verbessert.
Die Arbeit stellt SCL-GNN vor, ein neuartiges Framework, das durch den Einsatz des Hilbert-Schmidt-Unabhängigkeitskriteriums (HSIC) zur Identifizierung und Minderung irreführender statistischer Korrelationen die Generalisierungsfähigkeit von Graph Neural Networks sowohl auf IID- als auch auf OOD-Daten signifikant verbessert.
Diese Studie analysiert auf Basis von 172 Milliarden Token die Halluzinationsraten verschiedener LLMs in Dokumenten-Q&A-Szenarien und zeigt, dass die Modellwahl den größten Einfluss hat, während sich die Fehlerquote mit zunehmendem Kontextumfang drastisch erhöht und Hardware-Plattformen kaum eine Rolle spielen.
Die Arbeit stellt AdaCultureSafe vor, ein Framework, das durch die Erstellung eines spezialisierten Datensatzes und eine wissensbasierte Methode die kulturelle Sicherheit von Large Language Models verbessert, indem sie diese explizit mit kulturellem Wissen verknüpft, um deren bisherige mangelnde Korrelation zu überwinden.
Die Studie stellt TA-RNN-Medical-Hybrid vor, ein interpretierbares, zeitaufmerksames Deep-Learning-Framework, das durch die Integration kontinuierlicher Zeitkodierung und medizinischer Konzeptdarstellungen die Sterblichkeitsrisiko-Vorhersage in Intensivstationen sowohl präziser als auch klinisch nachvollziehbarer macht.
Diese Studie untersucht die Eignung von LLMs für die Begutachtung von EPSRC-Förderanträgen durch strukturierte Perturbationen und stellt fest, dass zwar ein abschnittsbasierter Ansatz die beste Leistung zeigt, die Modelle jedoch eine hohe Variabilität aufweisen und sich zu stark auf Compliance-Checks statt auf eine ganzheitliche Bewertung konzentrieren.
Die Arbeit stellt BladeChain vor, ein auf Hyperledger Fabric basierendes Blockchain-System, das durch die Integration von KI-Modell-Herkunft, automatisierten Inspektionsauslösungen und einer unveränderlichen, mehrstufigen Ledger-Struktur eine fälschungssichere und vollständig nachvollziehbare Lebenszyklus-Verfolgung für Flugzeugtriebwerksschaufeln ermöglicht.
Die Studie zeigt, dass Sharpness-Aware Minimization (SAM) bei tiefen linearen Netzwerken im Gegensatz zum Gradientenabstieg zu einem stark initialisierungsabhängigen Verhalten führt, das bei -SAM zu nicht-intuitiven Grenzwerten und bei -SAM zu einer sequenziellen Verstärkung zunächst schwacher Merkmale führt, was die Unzulänglichkeit rein asymptotischer Analysen der impliziten Verzerrung aufdeckt.
Dieser Übersichtsartikel analysiert den aktuellen Stand der multimodalen mathematischen Schlussfolgerung, indem er ein einheitliches Paradigma aus Wahrnehmung, Ausrichtung und Verifizierung vorschlägt, um bestehende Herausforderungen bei der Diagrammintepretation und der Bewertung von Zwischenschritten zu adressieren.
Diese Arbeit stellt Graph-Instructed Neural Networks (GINNs) als eine effiziente und skalierbare Methode vor, um parametrische partielle Differentialgleichungen mit variierenden Randbedingungen zu simulieren und damit die Grenzen klassischer reduzierter Ordnungsverfahren zu überwinden.
Die Autoren stellen eine retrieval-basierte Methode zur Generierung von CT-Bildern aus Text vor, die durch den Abruf und die Nutzung anatomischer Annotationen ähnlicher klinischer Fälle als struktureller Proxy die anatomische Konsistenz und räumliche Kontrollierbarkeit von textbedingten Diffusionsmodellen verbessert.
Diese Arbeit stellt ein neues Fine-Tuning-Framework vor, das die Robustheit von Vision Transformern gegenüber Verteilungsverschiebungen verbessert, indem es die Modellentscheidungen durch automatisch generierte, konzeptbasierte Masken auf semantisch relevante Objektmerkmale lenkt und so den Fokus von irreführenden Hintergrundkorrelationen abwendet.
Diese Studie vergleicht die Leistung von Menschen und KI-Modellen bei der egozentrischen Aktionserkennung unter verschiedenen räumlichen und zeitlichen Manipulationen und zeigt, dass Menschen stark auf semantisch kritische, spärliche Hinweise wie Hand-Objekt-Interaktionen angewiesen sind, während KI-Modelle eher kontextuelle Merkmale nutzen und eine andere Robustheit gegenüber zeitlichen Störungen aufweisen.
Das Paper stellt CORE-Acu vor, ein neuro-symbolisches Framework für die Akupunktur-Entscheidungsunterstützung, das strukturierte Denkprozesse mit einem Wissensgraphen zur Sicherheitsprüfung kombiniert, um die Interpretierbarkeit zu erhöhen und durch einen geschlossenen Verifikationszyklus sowie einen lexikonbasierten Verlustmechanismus hallucinierte oder unsichere Empfehlungen zu eliminieren.
Diese Studie demonstriert, wie eine neurosymbolische Zusammenarbeit zwischen einem KI-Agenten, symbolischen Werkzeugen und menschlicher strategischer Führung zu einer neuen, formal in Lean 4 verifizierten unteren Schranke für das Ungleichgewicht lateinischer Quadrate im Fall führte.
Das Paper stellt EndoSERV vor, ein neuartiges, vision-basiertes Navigationssystem für endoluminale Roboter, das durch eine Segment-zu-Struktur- und Real-zu-Virtual-Mapping-Strategie sowie Transferlernen die präzise Lokalisierung in komplexen, deformierbaren anatomischen Umgebungen ohne reale Pose-Labels ermöglicht.
Das Paper stellt SPD-RAG vor, ein hierarchisches Multi-Agenten-Framework, das komplexe Fragen über viele Dokumente hinweg durch eine spezialisierte, pro Dokument arbeitende Agentenarchitektur und eine zentrale Synthese effizienter und kostengünstiger beantwortet als herkömmliche RAG- oder Long-Context-LLM-Ansätze.
Die vorgestellte Arbeit stellt DS-DGA-GCN vor, ein adaptives Graph-Lernmodell, das durch die Kombination von Netzwerk-Feature-Scoring und einem dynamischen Graph-Attention-Mechanismus organisierte Gruppen von Fake-Bewertern in dynamischen Netzwerken, insbesondere bei kalten Start-Szenarien, effektiv erkennt.