2393 Arbeiten
Die Studie zeigt, dass emotionale Töne die Aufmerksamkeitsgeometrie von Large Language Models systematisch verändern, und stellt mit dem AURA-QA-Datensatz sowie einem emotionalen Regularisierungsrahmen neue Methoden vor, um die Leseverständnisleistung unter emotionalen Distributionsschwankungen zu verbessern.
Die Studie formalisiert einen makrofinanziellen Stresstest für die schnelle KI-Adoption, der zeigt, wie die Diskrepanz zwischen KI-generiertem Überfluss und einer durch Lohnverdrängung, sinkende Geldumlaufgeschwindigkeit und Intermediärkollaps verursachten Nachfrageschwäche zu einer explosiven Wirtschaftskrise führen kann, wenn institutionelle Anpassungen ausbleiben.
Die Studie stellt PrivPRISM vor, ein automatisiertes Framework, das Diskrepanzen zwischen den vereinfachten Google Play-Datensicherheitsangaben und den vollständigen Datenschutzrichtlinien aufdeckt und dabei zeigt, dass bei fast der Hälfte der untersuchten Apps widersprüchliche oder unvollständige Angaben zu Datenpraktiken vorliegen, was die Notwendigkeit einer strengeren Durchsetzung und Nutzerwachsamkeit unterstreicht.
Diese Arbeit stellt einen skalierbaren Simulationsrahmen vor, der ein muskuloskelettales Menschmodell mit Reinforcement Learning kombiniert, um die physische Mensch-Roboter-Interaktion quantitativ zu analysieren und die gleichzeitige Co-Optimierung von Roboterkonstruktion und Steuerung zu ermöglichen.
Die Arbeit stellt BD-FDG vor, ein Framework zur Generierung von feinabgestimmten Trainingsdaten für Large Language Models im Bereich der Weltraumlageerkennung, das durch kognitiv gestaffelte Fragestellungen und automatische Qualitätskontrolle eine signifikante Leistungssteigerung bei gleichzeitiger Beibehaltung allgemeiner Fähigkeiten ermöglicht.
Das Paper stellt BridgeDiff vor, ein diffusionsbasiertes Framework, das durch die Garment Condition Bridge Module und das Flat Structure Constraint Module die Lücke zwischen menschlichen Beobachtungen und der Synthese flacher Kleidungsstücke schließt, um konsistente und strukturell stabile virtuelle Anproben zu ermöglichen.
Die Arbeit stellt Social-R1 vor, ein Reinforcement-Learning-Framework, das durch das Training mit dem adversarischen Benchmark ToMBench-Hard und einer prozessbasierten Belohnungsfunktion menschliche soziale Intelligenz in Sprachmodellen fördert und dabei selbst kleine Modelle (4B Parameter) effizienter als größere Alternativen macht.
Diese Studie präsentiert einen umfassenden Multi-Modell-Ansatz, der vortrainierte und benutzerdefinierte neuronale Netze für die Verkehrsschilderkennung, Fahrzeug- und Spurerkennung sowie Verhaltensnachahmung integriert, um die Robustheit und Zuverlässigkeit autonomer Fahrsysteme durch fortschrittliche Deep-Learning-Techniken und diverse Datensätze zu verbessern.
Die Arbeit stellt Logos vor, einen kompakten und interpretierbaren KI-Modellansatz, der durch eine mehrstufige Trainingsstrategie logisches Schlussfolgern mit chemischer Konsistenz vereint, um zuverlässige und überprüfbare Lösungen für das rationale Moleküldesign zu ermöglichen.
Die Arbeit stellt DendroNN vor, ein neuartiges, dendritenzentrisches neuronales Netzwerk, das durch die Nachahmung von Sequenzerkennungsmechanismen in Dendriten und eine gradientenfreie Umverdrahtung energieeffiziente, hochpräzise Klassifizierung von ereignisbasierten Daten ermöglicht und dabei eine Hardware-Architektur mit bis zu vierfacher Effizienzsteigerung gegenüber bestehenden neuromorphen Systemen bietet.
Das Paper stellt DenoiseSplat vor, eine feed-forward Methode zur 3D-Gaussian-Splatting-Rekonstruktion aus verrauschten Multi-View-Bildern, die auf einem neu erstellten Rausch-Datensatz trainiert wird und dabei ohne 3D-Grundwahrheit auskommt, um die Leistung bestehender Ansätze unter realistischen Störbedingungen zu übertreffen.
Die Studie zeigt, dass das Design von Konfidenzskalen, insbesondere die Verwendung einer 0–20-Skala anstelle der üblichen 0–100-Skala, die Metakognition von Sprachmodellen signifikant verbessert und daher als wesentliche Variable in deren Evaluation behandelt werden sollte.
Die Arbeit widerlegt die Annahme einer global linearen Geometrie in Aktivierungsräumen von Large Language Models und stellt „Curveball steering" als überlegene, nichtlineare Methode vor, die durch die Berücksichtigung der intrinsischen gekrümmten Geometrie eine konsistentere Verhaltenssteuerung ermöglicht.
Das Paper stellt CLoE vor, einen konsistenzbasierten Lernrahmen für die Segmentierung medizinischer Bilder mit fehlenden Modalitäten, der durch Expertenkonsistenz auf Entscheidungs- und Regionsebene sowie eine zuverlässigkeitsgesteuerte Merkmalsanpassung die Robustheit und Genauigkeit bei unvollständigen Eingabedaten signifikant verbessert.
Die Arbeit stellt SpaceSense-Bench vor, ein groß angelegtes, multimodales Benchmark-Dataset mit 136 Satellitenmodellen und präzisen Ground-Truth-Annotationen, das zur Überwindung von Datenmängeln in der Weltraumwahrnehmung dient und zeigt, dass eine Skalierung der Trainingsdaten entscheidend für die Generalisierung auf unbekannte Ziele ist.
Die Studie stellt einen VR-Interaktionspipeline vor, der prosodische Emotionen als expliziten Kontext in LLM-basierte Agenten integriert, was in einer Nutzerstudie zu signifikant verbesserten Dialogqualitäten und einer hohen Präferenz für die emotional bewusste Agentenvariante führte.
Die Studie stellt TimberAgent vor, ein grammatikgestütztes Retrieval-System, das mithilfe von Texture-Resonance-Retrieval (TRR) auf Basis von Gram-Matrizen aus Wav2Vec2-Aktivierungen semantische Benutzerabsichten in präzise, bearbeitbare Audio-Effekt-Konfigurationen übersetzt und dabei in einem Gitarren-Effekt-Benchmark die niedrigsten Parameterfehler im Vergleich zu bestehenden Methoden aufweist.
Die Arbeit stellt den STAR-Benchmark vor, ein Multi-Agenten-Evaluierungsframework für Nullsummenspiele, das zeigt, dass strategische Intelligenz in dynamischen Umgebungen nicht nur von der Tiefe des logischen Denkens, sondern entscheidend von der Fähigkeit abhängt, Pläne auch unter Zeitdruck schnell umzusetzen, wobei schnellere Modelle in Echtzeitszenarien oft leistungsfähiger sind als rein reasoning-intensive Modelle.
Die Arbeit stellt TaSR-RAG vor, ein taxonomiegestütztes Framework für die strukturierte Beweisfindung, das komplexe Fragen in geordnete Tripel-Subabfragen zerlegt und durch hybrides Matching sowie eine explizite Entitätsbindung die Genauigkeit und Nachvollziehbarkeit von Retrieval-Augmented-Generation-Systemen bei Multi-Hop-Fragestellungen signifikant verbessert.
Die Arbeit stellt Robust Regularized Policy Iteration (RRPI) vor, einen neuen Algorithmus für Offline-Reinforcement-Learning, der durch die Formulierung als robuste Optimierung unter Transitionsunsicherheit und die Nutzung eines KL-regulierten Surrogats eine effiziente und theoretisch fundierte Lösung bietet, die auf D4RL-Benchmarks überlegene Leistung und verbesserte Robustheit gegenüber Ausreißern zeigt.