2258 Arbeiten
Die vorgestellte Arbeit führt das Bayesian Generative Modeling (BGM) ein, ein einheitliches Framework, das mithilfe eines stochastischen iterativen Bayesianischen Update-Algorithmus ein generatives Modell lernt, um beliebige bedingte Inferenzen mit prinzipieller Unsicherheitsquantifizierung durchzuführen, ohne dass ein erneutes Training für unterschiedliche Konditionierungsstrukturen erforderlich ist.
Diese Arbeit stellt SpaceHMchat vor, ein Open-Source-Framework für die Mensch-KI-Kollaboration, das durch die Anwendung des AUC-Prinzips und die Bereitstellung eines umfassenden Datensatzes das ganzheitliche Gesundheitsmanagement von Satelliten-Stromversorgungssystemen im Zeitalter der Mega-Konstellationen revolutioniert.
Die Arbeit stellt CLEAR-Mamba vor, ein verbessertes Framework für die Klassifizierung ophthalmischer Angiographie-Bilder, das durch eine hypernetzwerkbasierte adaptive Schicht und ein verlässlichkeitsbewusstes Vorhersageschema auf Evidenzunsicherheit die Generalisierbarkeit und Zuverlässigkeit bei der Diagnose von Netzhauterkrankungen über verschiedene Modalitäten hinweg signifikant steigert.
Diese Arbeit stellt ein System vor, das mithilfe von LLM-gestützten Web-Recherche-Agenten automatisch eine große Anzahl diverser und schwieriger Prognosefragen generiert und löst, um damit KI-Modelle zu evaluieren und deren Vorhersagefähigkeiten durch Strategien wie die Fragezerlegung nachweislich zu verbessern.
Die Arbeit stellt EigenData vor, ein einheitliches Framework, das durch einen selbstentwickelnden Multi-Agenten-Prozess synthetische Trainingsdaten mit verifizierbaren Belohnungen kombiniert, um effizient und skalierbar leistungsfähige, interaktive Tool-Nutzungs-Agenten ohne teure menschliche Annotation zu trainieren.
Die Arbeit stellt UAT-LITE vor, ein Inferenzzeit-Framework, das durch Monte-Carlo-Dropout in vortrainierten Transformern epistemische Unsicherheit direkt in den Selbst-Aufmerksamkeitsmechanismus integriert, um die Kalibrierung und die Zuverlässigkeit von Vorhersagen ohne Nachtraining zu verbessern.
Die Arbeit stellt WebAccessVL vor, ein visuell-linguistisches Modell, das durch eine überwachte Bild-zu-Programm-Synthese und eine verletzungsbasierte Verfeinerung automatisch HTML-Codes so anpasst, dass WCAG2-Verstöße behoben werden, während das ursprüngliche Design erhalten bleibt.
Die Arbeit argumentiert, dass das Vertrauen in Chatbots oft weniger auf tatsächlicher Zuverlässigkeit als vielmehr auf durch Interaktionsdesign ausgelösten kognitiven Verzerrungen beruht, was eine Neudefinition dieser Systeme als zielgerichtete „Verkäufer" und eine klare Unterscheidung zwischen psychologischem Vertrauen und normativer Vertrauenswürdigkeit erfordert.
Die Arbeit stellt RoSE vor, eine neue Methode, die monokulare Normalenschätzung durch die Umformulierung als Schattierungssequenz-Schätzung mittels generativer Bild-zu-Video-Modelle verbessert und so die häufige geometrische Fehlausrichtung bestehender Ansätze überwindet.
Die Arbeit stellt „Infusion" vor, ein Framework, das mithilfe von Einflussfunktionen subtile, gezielte Änderungen an Trainingsdaten vornimmt, um das Verhalten von KI-Modellen in Bild- und Sprachdomänen effizient zu manipulieren.
Die vorgestellte Arbeit entwickelt einen energiebewussten Rahmen für das kontinuierliche Lernen in spikenden neuronalen Netzen, der durch adaptive Spike-Budgets und replay-basierte Mechanismen sowohl die Genauigkeit als auch die Energieeffizienz bei der Verarbeitung von bildbasierten und ereignisbasierten Daten verbessert und so die praktische Einsetzbarkeit neuromorpher Visionssysteme vorantreibt.
Das Paper stellt B-DENSE vor, ein neuartiges Framework, das durch die Nutzung multi-brancher Trajektorienausrichtung und dichten Zwischen-supervision die Diskretisierungsfehler bei der Destillation von Diffusionsmodellen reduziert und so die Bildqualität im Vergleich zu bestehenden Methoden verbessert.
Die Arbeit beweist einen informationstheoretischen No-Go-Satz, der zeigt, dass klassische ontologische Modelle, die denselben ontischen Zustandsraum für mehrere Interventionen wiederverwenden, unvermeidbare kontextuelle Informationskosten aufweisen, während die Quantenmechanik diese Einschränkung durch die Aufgabe der Annahme einer einzigen zugrunde liegenden klassischen Variablen umgeht.
Diese Studie stellt ein curriculumbasiertes, kontinuierliches Lernframework vor, das durch die schrittweise Zerlegung komplexer Unsicherheiten und die Kombination von modellbasierter Regelung mit Deep Reinforcement Learning robuste Steuerungen für nichtlineare mechanische Systeme ermöglicht und erfolgreich eine Sim-zu-Real-Übertragung für aktive Schwingungskontrolle in Fahrzeugantriebssträngen demonstriert.
Die Arbeit stellt ReDON vor, einen neuartigen rekurrenten optischen neuronalen Prozessor, der durch rekonfigurierbare, selbstmodulierte Nichtlinearitäten die statischen Grenzen herkömmlicher diffraktiver optischer Netzwerke überwindet und dabei die Genauigkeit bei minimalem Energieverbrauch signifikant steigert.
Die Arbeit stellt Coupled Discrete Diffusion (CoDD) vor, einen hybriden Rahmen, der die „Faktorisierungsbarriere" in Diffusions-Sprachmodellen durch eine leichte probabilistische Inferenzschicht überwindet, um komplexe gemeinsame Abhängigkeiten effizient zu modellieren und dabei sowohl die Geschwindigkeit als auch die Kohärenz der Generierung erheblich verbessert.
Der Artikel stellt OrthoAI vor, ein neurosymbolisches Framework, das durch sparse-supervision Segmentierung, wissensbasierte biomechanische Constraints und eine Multi-Kriterien-Bewertung die Lücke zwischen geometrischer Wahrnehmung und klinischer Entscheidungsfindung in der Klarschienen-Orthodontie schließt.
Diese Arbeit stellt einen dualen Pipeline-Ansatz mit den Foundation-Modellen Grounding DINO 1.5, YOLOv11 und SAM 2.1 vor, der sowohl im Zero-Shot- als auch im überwachten Modus eine neue Bestleistung bei der Segmentierung von Vogelbildern auf dem CUB-200-2011-Datensatz erzielt und dabei bestehende, spezialisierte Segmentierungsnetzwerke übertrifft.
Die Arbeit stellt Pri4R vor, eine einfache Methode, die Vision-Language-Action-Modelle durch das Training mit privilegierten 4D-Punktverläufen in die Lage versetzt, physikalische Welt-Dynamiken implizit zu erlernen und so die Leistung bei Manipulationsaufgaben ohne zusätzliche Inferenzkosten erheblich zu steigern.
Die Arbeit stellt \textsc{Gome} vor, einen MLE-Agenten, der gradientenbasierte Optimierung anstelle von Baumsuche nutzt und durch die Abbildung diagnostischer Schlussfolgerungen auf Gradientenberechnung bei leistungsstarken Modellen einen neuen State-of-the-Art auf MLE-Bench erreicht.