12985 Arbeiten
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.
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.
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.
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.
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.
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.
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.
Die Studie stellt MuCTaL vor, ein leichtgewichtiges Deep-Learning-Framework, das durch ausgewogenes Training auf vier Krebsarten robuste und generalisierbare Tumorlokalisation in histologischen Ganzschnittbildern ermöglicht und dabei eine skalierbare Inferenz für die digitale Pathologie bereitstellt.
Die Arbeit stellt das LLM Delegate Protocol (LDP) vor, ein KI-natives Kommunikationsprotokoll für Multi-Agenten-Systeme, das durch Identitätsbewusstsein, strukturierte Provenienz und sichere Domänen die Effizienz, Token-Nutzung und Governance bei der Delegierung von Aufgaben verbessert, wie eine Implementierung in der JamJet-Laufzeitumgebung zeigt.
Diese Studie identifiziert durch ein Experimentierparadigma drei messbare strukturelle Eigenschaften – die Ausrichtung an einer Greedy-Heuristik, die einfache Zusammensetzung innerhalb von Behältern und eine geordnete visuelle Darstellung – die menschliche Präferenzen für interpretierbare, aber gleichwertig optimale Lösungen beim Bin-Packing-Problem bestimmen und somit die Grundlage für interpretierbarkeitsbewusste Optimierung schaffen.
Diese Studie quantifiziert anhand eines budgetbeschränkten Evaluierungsrahmens (BCAS), wie sich Suchtiefe, Abrufstrategien und Token-Budgets auf die Genauigkeit und die Kosten von agentic RAG-Systemen auswirken, und liefert praktische Leitlinien für deren Konfiguration.
Die vorgestellte Arbeit stellt FSbuHD vor, ein neues Feature-Selection-Modell für hybride Informationssysteme, das auf der Fuzzy-Rough-Set-Theorie basiert, die Berechnung von Fuzzy-Äquivalenzrelationen durch eine kombinierte Distanzmetrik optimiert und das Problem als Optimierungsaufgabe löst, um in normalen und optimistischen Modi effizientere Ergebnisse als bestehende Methoden zu erzielen.
Die Arbeit stellt NetDiffuser vor, ein neuartiges Framework, das mithilfe von Diffusionsmodellen und einer speziellen Feature-Kategorisierung natürlich wirkende adversarial Beispiele erzeugt, um Deep-Learning-basierte Netzwerkintrusionserkennungssysteme effektiver zu täuschen als bisherige Angriffe.
Diese Arbeit führt eine umfassende Abstraktion von neun endlichen Stichproben-Bound-Familien für die selektive Vorhersage durch und stellt mit „Transfer-Informed Betting" eine neuartige Methode vor, die durch die Warm-Start-Initialisierung des WSR-Vermögensprozesses mit Risikoprofilen aus einer Quelldomain in datenarmen Szenarien engere und formal garantierte Unsicherheitsgrenzen erreicht.
Die Arbeit stellt FedLECC vor, eine leichte, cluster- und verlustgesteuerte Strategie zur Auswahl von Clients im Federated Learning, die unter nicht-IID-Bedingungen die Genauigkeit verbessert und gleichzeitig die Kommunikationskosten sowie die Anzahl der erforderlichen Runden signifikant reduziert.
Diese Arbeit stellt einen vollständig differentierbaren Ansatz vor, der kontinuierlich relaxierte Bernoulli-Gatter nutzt, um überparametrisierte neuronale Netze ohne Gewichts-Training effizient in extrem spärliche, leistungsfähige Subnetze gemäß der Strong Lottery Ticket-Hypothese zu überführen.
Diese Studie zeigt, dass die Sichtbarkeit von Domänen in generativen Suchmaschinen aufgrund ihrer inhärenten Nichtdeterministik erheblichen Schwankungen unterliegt und daher anstelle von einzelnen Punktwerten statistisch fundierte Unsicherheitsschätzungen und Konfidenzintervalle erfordert, um aussagekräftige Vergleiche zu ermöglichen.
Diese Studie stellt ein synthetisches Benchmark vor, das zeigt, wie Vision-Language-Modelle wie Gemma 3 und Qwen3-VL mithilfe von In-Context-Learning aus Drohnenbildern JSON-Konfigurationen für die Simulation von Pflanzen in landwirtschaftlichen Digital Twins generieren können, wobei zwar strukturelle Parameter erfolgreich extrahiert werden, die Modelle jedoch bei unzureichenden visuellen Hinweisen anfällig für Kontextverzerrungen sind.
Das Paper stellt „Guardian" vor, ein interpretierbares, dreischichtiges Entscheidungssystem, das mithilfe von Markov-Ketten, Reinforcement Learning und LLM-basierter Qualitätsprüfung aus unstrukturierten Daten dynamische Suchpläne für vermisste Kinder innerhalb der ersten 72 Stunden erstellt.
Die Studie stellt PathoScribe vor, ein einheitliches Framework auf Basis von Retrieval-Augmented Large Language Models, das statische Pathologie-Archive in eine interaktive Wissensdatenbank verwandelt und durch Funktionen wie semantische Suche, automatische Kohortenbildung sowie klinische Fragebeantwortung die Diagnoseunterstützung und Forschungseffizienz erheblich steigert.