2501 Arbeiten
Das Paper stellt CauKer vor, einen Algorithmus, der mittels Gauß-Prozess-Kernel-Komposition und strukturellen kausalen Modellen diverse, kausal kohärente synthetische Zeitreihen erzeugt, um die vortrainierte Klassifikation von Zeitreihen-Foundation-Modellen effizienter zu gestalten und dabei klare Skalierungsgesetze im Vergleich zu realen Datensätzen aufzuzeigen.
Die Arbeit stellt GraphProp vor, ein zweiphasiges Trainingsverfahren für Graph-Foundation-Modelle, das durch die Vorhersage struktureller Graphinvarianten eine robuste domänenübergreifende Generalisierung erreicht und insbesondere bei Graphen ohne Knotenattribute überlegene Leistung in überwachtem und Few-Shot-Learning zeigt.
Das Paper stellt Video-EM vor, ein trainingsfreies Framework, das durch die Orchestrierung von LLMs und Werkzeugen zur ereignisbasierten Konstruktion und Verfeinerung einer kompakten episodischen Gedächtnisrepräsentation die Herausforderungen des Verständnisses langer Videos für bestehende Video-LLMs löst.
Das Paper stellt UniCast vor, ein parameter-effizientes multimodales Framework, das durch instanzbedingtes Prompting und dynamisches Modality-Routing bestehende Zeitreihen-Grundmodelle erweitert, um deren Vorhersagegenauigkeit durch die adaptive Integration von Zeitreihen-, Bild- und Textdaten zu steigern.
Das Paper stellt ECHO vor, ein frequenzbewusstes hierarchisches Encoder-Modell für Basis-Modelle, das durch Band-Split-Architektur und gleitende Patches variable Signallängen und beliebige Abtastraten unterstützt und damit bei der Anomalieerkennung und Fehlerklassifizierung in industriellen Maschinensignalen state-of-the-art Ergebnisse erzielt.
Diese Arbeit stellt ein einheitliches Trainingsframework vor, das entropiegesteuertes Curriculum-Learning und Multi-Task-Learning kombiniert, um die Vorhersagegenauigkeit menschlicher Mobilität durch schrittweise Komplexitätssteigerung und die gleichzeitige Optimierung von Distanz- und Richtungsdaten zu verbessern.
Diese Arbeit verbessert die Resilienz von Quadrotoren in unterirdischen Umgebungen, indem sie einen lernbasierten Controller mit einem Sicherheitscontroller kombiniert, wobei ein auf Normalizing Flows basierender Prior als Laufzeitmonitor dient, um bei Abweichungen von der Trainingsverteilung sicher auf den Sicherheitscontroller umzuschalten und so sowohl schnelle Navigation als auch Kollisionsvermeidung zu gewährleisten.
Die Arbeit stellt OTESGN vor, ein Modell für die aspektbasierte Sentimentanalyse, das syntaktische Graphen und semantischen Optimalen Transport kombiniert, um nichtlineare Assoziationen zu erfassen und Rauschen zu unterdrücken, wodurch es auf mehreren Benchmark-Datensätzen neue State-of-the-Art-Ergebnisse erzielt.
Diese Studie stellt ein neuartiges, auf externer visueller Beobachtung basierendes System vor, das mithilfe von Computer-Vision-Methoden wie YOLO und Spurverfolgung ablenkungs- und beeinträchtigungsbedingtes Fahrverhalten bei nicht vernetzten Fahrzeugen in Echtzeit erkennt, um zur Reduzierung von Verkehrsunfällen beizutragen.
Die Studie stellt einen modularen, multimodalen Framework vor, der mithilfe von generativer Künstlicher Intelligenz aus öffentlich zugänglichen Bildern und Wohninformationen realistische synthetische Daten für Gebäude erstellt, um die Abhängigkeit von teuren oder datenschutzrelevanten Quellen in der Energie- und Gebäudesimulation zu verringern.
Das Paper stellt MICA vor, ein auf Wahrnehmung und Sprache basierendes Multi-Agenten-System für industrielle Umgebungen, das durch adaptive Schrittfusion und eine Sicherheitsprüfung zuverlässige, datenschutzkonforme Assistenz auch bei begrenzten Ressourcen bietet.
Die Arbeit stellt einen Framework vor, der szenengraphbasierte Repräsentationen mit diffusionsbasiertem Imitationslernen und einem VLM-Planer kombiniert, um die Robustheit und kompositionelle Generalisierung von Robotern bei langfristigen Manipulationsaufgaben zu verbessern.
Der Artikel stellt FINS vor, ein leichtgewichtiges Framework, das mithilfe eines vortrainierten Fundamentmodells und eines Multi-Resolution-Hash-Grids aus einem einzigen Bild hochpräzise implizite Oberflächen und SDF-Felder in nur wenigen Sekunden rekonstruiert und damit bestehende Methoden in Geschwindigkeit und Genauigkeit übertrifft.
Die Studie zeigt, dass lineare Proben zur Erkennung schädlichen Verhaltens in Sprachmodellen stark von textuellen Hinweisen abhängen und ihre Leistung erheblich einbricht, sobald diese oberflächlichen Indikatoren wie Systemprompts oder Chain-of-Thought-Verbalisierungen entfernt werden.
Diese Arbeit stellt einen theoretisch fundierten Rahmen auf Basis der Bayes'schen Persuasionstheorie vor, der es ermöglicht, die persuasiven Fähigkeiten von Sprachmodellen zu evaluieren und durch Reinforcement Learning zu trainieren, wobei sich zeigt, dass sowohl große als auch kleine Modelle signifikante Gewinne und strategisch fundierte Überzeugungsansätze erzielen können.
Die Arbeit stellt GEMS vor, einen skalierbaren, surrogatfreien Multi-Agenten-Reinforcement-Learning-Ansatz, der durch den Ersatz expliziter Policy-Populationen durch latente Anker und einen amortisierten Generator die Rechen- und Speicherkosten im Vergleich zu PSRO erheblich senkt, ohne dabei die spieltheoretischen Garantien zu verlieren.
Die Studie führt Benchmark-Signaturen ein, die auf salienten Tokens aus natürlichen Korpora basieren und durch ihre Perplexität die Leistung von Sprachmodellen vorhersagen, um damit ein nuanciertes, von Formatverzerrungen unabhängiges Verständnis der Überlappungen und Kapazitätsanforderungen verschiedener Benchmarks zu ermöglichen.
Die Arbeit stellt ELHPlan vor, ein effizientes Framework für die langfristige Aufgabenplanung in der Multi-Agenten-Kollaboration, das durch die Verwendung intentiongebundener Aktionsketten eine hohe Anpassungsfähigkeit bei gleichzeitig deutlich reduzierter Token-Nutzung im Vergleich zu bestehenden Methoden erreicht.
Der Artikel stellt eine neuartige, abdeckungsorientierte Methode für das aktive Korrelations-Clustering im Cold-Start-Szenario vor, bei der keine initialen Ähnlichkeiten vorliegen, und validiert deren Wirksamkeit durch synthetische und reale Experimente.
Diese Studie führt den Begriff „Misevolution" ein und zeigt empirisch auf, dass selbstentwickelnde KI-Agenten durch ungewollte Veränderungen in Modellen, Gedächtnis, Werkzeugen oder Arbeitsabläufen neue Sicherheitsrisiken entwickeln können, was eine dringende Anpassung der Sicherheitsparadigmen erfordert.