13005 Arbeiten
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.
Die Arbeit stellt VoxEmo vor, ein umfassendes Benchmark-Toolkit für die Spracherkennung von Emotionen mit Sprach-LLMs, das durch die Einbeziehung von 35 Korpora in 15 Sprachen, standardisierte Prompt-Strategien und ein weiches Labeling-Verfahren die subjektive Natur menschlicher Emotionen besser abbildet als herkömmliche Ansätze.
Dieses Paper schlägt mit AgentOS ein neues Paradigma vor, das traditionelle Betriebssysteme durch eine natürliche Sprachschnittstelle und einen Agenten-Kern ersetzt, der als Echtzeit-Engine für Intent-Mining und Wissensentdeckung fungiert, um fragmentierte Anwendungsökosysteme in eine kohärente, datengesteuerte Umgebung zu überführen.
Das Paper stellt BiCLIP vor, einen extrem einfachen und parameterarmen Rahmen, der durch eine strukturierte geometrische Transformation multimodaler Merkmale, die auf wenigen Ankerpunkten basiert, das Zero-Shot-Lernen von Vision-Language-Modellen in spezialisierten Domänen auf den Stand des Kunstzustands bringt.
Die Arbeit stellt Guardian vor, ein konsensgesteuertes Multi-LLM-System mit QLoRA-Feinabstimmung, das spezialisierte Modelle und einen Konsens-Engine koordiniert, um die Informationsgewinnung und Suchplanung bei Vermisstenfällen in den kritischen ersten 72 Stunden zu unterstützen.
Die Arbeit stellt \texttt{EinSum} vor, eine tensor-relationale Erweiterung der Einstein-Summation, die große, dünnbesetzte Berechnungen durch die automatische Umformulierung in relationale Operationen für die Sparsity-Verwaltung und effiziente numerische Kerne für rechenintensive Teile optimiert.
Die Arbeit stellt die FABRIC-Strategie vor, die durch die Integration neuer Algorithmen für die Rückwärtsreichbarkeitsanalyse mit bestehenden Vorwärtsanalysen die Verifikation von nichtlinearen neuronalen Feedback-Systemen signifikant verbessert.
Die Arbeit stellt das SLoD-Framework vor, das durch Wärmeleitungs-Diffusion auf hyperbolischen Mannigfaltigkeiten eine kontinuierliche Zoom-Funktion für Wissensgraphen ermöglicht und dabei automatisch qualitative Abstraktionsgrenzen durch spektrale Lücken identifiziert.
Die Arbeit stellt Arbiter vor, ein Framework zur Erkennung von Interferenzmustern in Systemprompts von LLM-Coding-Agenten, das durch formale Regeln und Multi-Modell-Analysen bei drei großen Anbietern zahlreiche Schwachstellen aufdeckt und zeigt, dass die Prompt-Architektur die Fehlerklassen, nicht aber deren Schweregrad bestimmt.
Diese Studie charakterisiert erstmals systematisch die einzigartigen Sicherheitsbedrohungen von Multi-Agenten-Systemen und bewertet empirisch 16 KI-Sicherheitsframeworks, wobei sie feststellt, dass keine der bestehenden Lösungen eine umfassende Abdeckung bietet und insbesondere Risiken wie Nicht-Determinismus und Datenlecks unzureichend adressiert werden.
Diese Studie analysiert Geschlechterverzerrungen in Audio-Deepfake-Erkennungsmodellen und zeigt, dass herkömmliche Leistungsmetriken Diskrepanzen in der Fehlerverteilung zwischen den Geschlechtern überdecken, wodurch geschlechtergerechte Evaluierungsmetriken für die Entwicklung fairer und robusterer Systeme unerlässlich sind.
Die Arbeit stellt den CMA-ES-IG-Algorithmus vor, der durch die explizite Berücksichtigung von Nutzererwartungen und die Generierung von wahrnehmbar unterschiedlichen Trajektorien das Lernen von Benutzerpräferenzen in der Mensch-Roboter-Interaktion effizienter, robuster und nutzerfreundlicher gestaltet als bestehende Methoden.
Die Arbeit stellt Meissa vor, ein leichtgewichtiges, 4B-Parameter großes multimodales medizinisches KI-Modell, das durch fortschrittliche Trajektorien-Distillation komplexe agentische Fähigkeiten offline ermöglicht und dabei proprietäre Frontiersysteme in Effizienz und Latenz übertrifft.
Dieses Paper plädiert für die „AI-Phänomenologie" als Forschungsansatz, der durch die Erforschung der subjektiven menschlichen Erfahrung mit KI-Systemen über die Zeit hinausgeht und dabei methodische Werkzeuge sowie Designkonzepte für eine bessere bidirektionale Ausrichtung zwischen Mensch und KI bereitstellt.
Die Arbeit stellt MEMO vor, ein selbstspielendes Framework, das durch die Kombination von persistenter Wissensspeicherung und explorativer Prompt-Optimierung die Instabilität und Leistung von mehrstufigen Multi-Agenten-LLM-Spielen signifikant verbessert.
Die Arbeit stellt Pichay vor, ein Demand-Paging-System für LLM-Kontextfenster, das durch transparente Interposition und Auslagerung veralteter Inhalte die Kontextnutzung um bis zu 93 % reduziert und damit etablierte Konzepte der virtuellen Speicherverwaltung auf die Skalierung von Sprachmodellen anwendet.
Diese Arbeit stellt eine automatisierte Pipeline vor, die mithilfe von Large Language Models (LLMs) flaky Tests in Quantensoftware erkennt und deren Ursachen analysiert, wodurch ein bestehender Datensatz um 54 % erweitert wird und Modelle wie Google Gemini eine hohe Genauigkeit bei der Klassifizierung und Ursachenidentifikation erreichen.
Die Arbeit stellt PlayWorld vor, ein skalierbares, vollständig autonomes System, das hochpräzise Videoweltmodelle für Roboter ausschließlich durch unüberwachtes Selbstspiel lernt und damit physikalisch konsistente Interaktionen sowie eine signifikant verbesserte Realwelt-Leistung im Vergleich zu auf menschlichen Demonstrationen basierenden Ansätzen ermöglicht.
Die Arbeit stellt WS-Net vor, ein tiefes Entmischungsframework, das durch die Kombination von State-Space-Modellierung und einer Schwachsignal-Aufmerksamkeitsfusion die Genauigkeit bei der Rekonstruktion schwacher hyperspektraler Signale unter Rauschbedingungen signifikant verbessert.