2282 Arbeiten
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.
Diese Arbeit stellt einen konservativen Werkzeugkasten zur Bewertung von Identität in Sprachmodell-Agenten vor, der mithilfe der Stack-Theorie zwischen dem bloßen Behaupten eines stabilen Selbst und dessen tatsächlicher organisatorischer Verankerung unterscheidet.
Das Paper stellt EPOCH vor, ein ingenieurtechnisches Protokoll für die mehrstufige Systemoptimierung in heterogenen Umgebungen, das durch eine strukturierte Trennung von Baseline-Erstellung und iterativer Selbstverbesserung sowie rollenbeschränkten Phasen eine koordinierte, stabile und nachvollziehbare autonome Optimierung von Prompts, Code und Modellkonfigurationen ermöglicht.
Die Studie stellt vor, dass der autonome KI-Agent „Sentinel" durch die Verwendung des Model Context Protocol (MCP) klinische Triage-Daten aus der Fernüberwachung von Patienten mit höherer Sensitivität und Konsistenz als menschliche Ärzte klassifiziert und dabei eine skalierbare, kosteneffiziente Lösung für die Überlastung des medizinischen Personals bietet.
Der vorgestellte Sim2Act-Rahmenwerk verbessert das robuste Simulations-zu-Entscheidungs-Lernen für kritische Domänen wie Lieferketten, indem es durch eine adversarische Kalibrierung und eine gruppenrelative Perturbationsstrategie die Zuverlässigkeit von Policies trotz simulierter Unsicherheiten und Datenverzerrungen sicherstellt.
Dieses Paper stellt Doki vor, eine textbasierte Schnittstelle für die Generierung von Videos, die es Nutzern ermöglicht, visuelle Geschichten durch das Schreiben von Texten zu erstellen, und validiert diesen Ansatz durch eine einwöchige Feldstudie.
Das Paper stellt GST-VLA vor, ein 3D-tiefenbewusstes Vision-Language-Action-Modell, das durch einen Gaussian Spatial Tokenizer für geometrisch strukturierte 3D-Gauß-Primitiven und eine 3D-tiefenbewusste Chain-of-Thought-Argumentation die Robotersteuerung auf Benchmarks wie LIBERO und SimplerEnv signifikant verbessert.
Diese Studie zeigt, dass die Integration von Sentiment-Daten aus feinabgestimmten LLMs (Qwen3) mit traditionellen tabellarischen Marktdaten die Vorhersagegenauigkeit und den wirtschaftlichen Nutzen für Aluminiumpreise, insbesondere in volatilen Phasen, signifikant verbessert.
Dieser Artikel stellt ein einheitliches Taxonomie- und Evaluierungsrahmenwerk für latente Weltmodelle im automatisierten Fahren vor, das verschiedene Repräsentationsformen und strukturelle Priors systematisch kategorisiert, um Herausforderungen wie Robustheit, Generalisierung und Ressourceneffizienz zu adressieren und zukünftige Forschungsrichtungen für verifizierbare Entscheidungssysteme aufzuzeigen.
Die vorgestellte Arbeit stellt ein Transformer-basiertes Framework für die zusammengesetzte Bild-Sprache-Wiedergewinnung bei Hautkrebs vor, das durch eine gemeinsame globale und lokale Ausrichtung sowie eine klinisch fundierte Gewichtung die Suche nach relevanten, biopsiebestätigten Fällen auf dem Derm7pt-Datensatz verbessert.
Die Studie stellt VIVID-Med vor, ein effizientes Framework, das einen eingefrorenen Large Language Model als strukturierten Lehrer nutzt, um einen leichten, ausschließlich auf Bildern basierenden Vision Transformer für medizinische Anwendungen vorzuverarbeiten, der ohne den LLM-Overhead dennoch state-of-the-art Ergebnisse in verschiedenen klinischen Szenarien erzielt.
Der Paper stellt PM-Nav vor, ein priorikartenbasiertes Framework für die embodied Navigation in funktionalen Gebäuden, das durch semantische Karten, hierarchisches Chain-of-Thought-Prompting und eine multi-modale Kollaboration die Leistung im Vergleich zu bestehenden Ansätzen in Simulation und Realität drastisch verbessert.
Der Artikel stellt DexHiL vor, ein bahnbrechendes Framework für das Nachtrainieren von Vision-Language-Action-Modellen, das durch eine integrierte Mensch-im-Loop-Steuerung und gezielte Datensammlung die Erfolgsrate bei komplexen, dexterousen Manipulationsaufgaben im Vergleich zu reinen Offline-Methoden um durchschnittlich 25 % steigert.
Das Paper stellt QUSR vor, ein diffusionsbasiertes Modell für die Bild-Super-Resolution, das durch die Kombination eines multimodalen Sprachmodells zur Qualitätsbewertung und einer unsicherheitsgesteuerten Rauschgenerierung realistische und detailreiche Bilder auch bei unbekannten und räumlich nicht einheitlichen Degradationen erzeugt.
Die Studie zeigt, dass Multi-LLM-Entscheidungsgremien selbst unter deterministischen Bedingungen durch Rollenunterschiede und Modellheterogenität chaotisch instabil werden können, was die Notwendigkeit von Stabilitätsaudits für solche Governance-Systeme unterstreicht.
Diese Arbeit stellt eine Regularisierungsmethode auf Basis der Wahrscheinlichkeit von Notwendigkeit und Hinreichendheit (PNS) für das klasseninkrementelle Lernen vor, die durch die Generierung von kontrafaktischen Merkmalen innerhalb und zwischen Aufgaben kausale Vollständigkeit und Trennschärfe sicherstellt, um Kollisionen von Merkmalen und katastrophales Vergessen zu verhindern.
Die Arbeit stellt Deep Tabular Research (DTR) als neue Herausforderung für komplexe Tabellenanalysen vor und löst sie durch ein neuartiges, agentenbasiertes Framework, das tabellarisches Denken als geschlossenen Entscheidungsprozess mit hierarchischer Meta-Graphen-Struktur, erwartungsbewusster Pfadauswahl und einer siamesischen Gedächtnisstruktur für kontinuierliche Verbesserung behandelt.
Die Arbeit stellt DataFactory vor, ein kollaboratives Multi-Agenten-Framework, das durch spezialisierte Teamkoordination, die automatische Umwandlung von Daten in Wissensgraphen und kontextbasierte Strategien die Genauigkeit und Zuverlässigkeit von Tabellen-Fragebeantwortung (TableQA) im Vergleich zu herkömmlichen Einzel-Agenten-Ansätzen signifikant verbessert.