3724 Arbeiten
Die Arbeit stellt ActiveUltraFeedback vor, eine modulare Active-Learning-Pipeline, die durch die gezielte Auswahl unsicherer oder qualitativ stark unterschiedlicher Antwortpaare hochwertige Präferenzdaten mit nur einem Sechstel des Annotationsaufwands im Vergleich zu statischen Baselines generiert und so die Leistung von Large Language Models signifikant verbessert.
Die Arbeit stellt Mousse vor, einen neuen Optimierer, der durch die Kombination von Muons spektraler Stabilität mit Shampoons kroneckerfaktorisierter Vorbedingung die geometrische Anpassungsfähigkeit in stark konditionierten Landschaften verbessert und so das Training von Sprachmodellen um etwa 12 % beschleunigt.
Die Arbeit stellt OOD-MMSafe, einen neuen Benchmark zur Bewertung der Fähigkeit von Multimodalen Sprachmodellen, latente Konsequenzen zu erkennen, und schlägt das CASPO-Framework vor, das durch selbstgesteuerte Belohnungen die Sicherheitsvorhersage signifikant verbessert.
Die Arbeit stellt MUGEN vor, ein umfassendes Benchmark-System zur Evaluierung von Large Audio-Language-Modellen im Mehr-Audio-Verständnis, das signifikante Leistungseinbußen bei steigender Eingabeanzahl aufdeckt und durch trainingsfreie Strategien wie Audio-Permutational Self-Consistency in Kombination mit Chain-of-Thought die Genauigkeit nachweislich verbessert.
Die Arbeit stellt CVS vor, eine trainingsfreie Methode zur Datenselektion für Vision-Language-SFT, die die Diskrepanz in der Antwortvalidität eines eingefrorenen Modells mit und ohne Frage nutzt, um hochwertige Multimodal-Daten zu identifizieren und so die Leistung bei gleichzeitiger Reduzierung der Rechenkosten zu steigern.
Die Arbeit stellt AutoAgent vor, ein selbstentwickelndes Multi-Agenten-Framework, das durch die Kombination von sich entwickelnder Kognition, kontextsensitiver Entscheidungsfindung und elastischer Orchestrierung des Speichers die Anpassungsfähigkeit autonomer Agenten in dynamischen Umgebungen verbessert, ohne dass ein externes Nachtrainieren erforderlich ist.
Die Arbeit stellt RbtAct vor, ein neues Framework, das Rebuttals als implizite Supervision nutzt, um mit einem auf Llama-3.1-8B-Instruct basierenden Modell generierte Peer-Review-Feedbacks zu verbessern, die durch eine neue Aufgabe und den RMR-75K-Datensatz spezifischer und handlungsorientierter sind.
Die Arbeit stellt EXPLORE-Bench vor, einen neuen Benchmark auf Basis realer Egocentric-Videos, der zeigt, dass multimodale Sprachmodelle bei der Vorhersage langfristiger physischer Konsequenzen aus Ego-Perspektive erhebliche Schwierigkeiten haben, während eine schrittweise Zerlegung der Aktionen die Leistung zwar verbessert, aber mit hohem Rechenaufwand einhergeht.
Die Arbeit stellt eine effiziente Methode zur Personalisierung von Vision-Language-Modellen vor, die durch die Extraktion und Nutzung von visuellen Tokens aus den internen Aufmerksamkeitsmechanismen des Modells als Konzeptspeicher eine starke Anpassungsfähigkeit bei minimalem Overhead ermöglicht.
Die Arbeit stellt World2Mind vor, ein trainingsfreies Toolkit, das durch die Generierung strukturierter räumlicher kognitiver Karten und eines allocentrischen Raumbaum-Modells Multimodal- und reine Text-Modelle befähigt, robuste 3D-Raumreasoning-Aufgaben ohne Nachtraining zu lösen.
Diese Studie zeigt, dass simulationsbasierte Inferenz (SBI) ein vielversprechendes Werkzeug zur präziseren Bestimmung von Modellparametern für neutrinoinduzierte Nukleonen-Knockout-Prozesse ist, da sie im Vergleich zu herkömmlichen Methoden bei der Analyse von MicroBooNE-Daten und der Nachbildung der NuWro-Simulation leicht verbesserte Anpassungsergebnisse liefert.
Die Arbeit führt das Konzept der „opak serial depth" ein, um die Notwendigkeit von Chain-of-Thought-Verläufen für die externe Darstellung komplexer Schlussfolgerungen in Sprachmodellen zu quantifizieren, und liefert durch neue Berechnungsmethoden und Open-Source-Tools numerische Obergrenzen für verschiedene Architekturen, die zeigen, dass Modelle ohne Chain-of-Thought nur begrenzte interne reasoning-Fähigkeiten besitzen.
Diese Arbeit stellt ein hybrides Quanten-Klassisch-Framework vor, das LSTM-Netze mit einem Quantum Circuit Born Machine kombiniert, um die Prognosegenauigkeit der Finanzmarktvolatilität im Vergleich zu rein klassischen Modellen signifikant zu verbessern.
Die vorgeschlagene adaptive Kanalpruning-Methode (ACP-SL) nutzt ein labelbewusstes Scoring-Verfahren, um unwichtige Kanäle in Split Learning zu entfernen, wodurch die Kommunikationskosten durch komprimierte Datenübertragung gesenkt und die Testgenauigkeit im Vergleich zu bestehenden Ansätzen verbessert wird.
Das Paper stellt MITRA vor, ein auf On-Premise-RAG basierendes KI-System für physikalische Kollaborationen wie CMS, das durch eine automatisierte Dokumentenextraktion und eine zweistufige Vektordatenbank-Architektur präzise kontextbezogene Antworten auf Forschungsfragen liefert, während sensible Daten vollständig privat bleiben.
Diese Arbeit stellt einen leichtgewichtigen „Pseudo-Projektor" vor, der von der Multigrid-Methode inspiriert ist und als Korrektur für versteckte Repräsentationen in Transformer-Modellen dient, um deren Robustheit gegenüber Rauschen zu erhöhen und das Trainingsverhalten zu verbessern, ohne die Kernarchitektur zu verändern.
Die Arbeit stellt MA-EgoQA vor, einen neuen Benchmark und ein zugehöriges Basismodell namens EgoMAS, um das Verständnis und die Beantwortung von Fragen über parallele, langfristige Egocentric-Videos von mehreren embodied AI-Agenten zu ermöglichen und dabei die aktuellen Grenzen der Systemintegration aufzuzeigen.
Die Arbeit stellt SCENEBench vor, ein Benchmark-System für Large Audio Language Models, das Audioverständnis über die reine Spracherkennung hinaus in vier praxisrelevanten Kategorien wie Hintergrundgeräuschverständnis und Lokalisierung bewertet und dabei sowohl synthetische als auch natürliche Daten zur Validierung nutzt.
Diese Arbeit stellt HR-GAT vor, ein hierarchisches Graph-Attention-Netzwerk, das mithilfe von Geodaten die Spektrumnachfrage präziser vorhersagt als herkömmliche Modelle und dabei räumliche Autokorrelationen effektiv berücksichtigt.
Die vorgestellte Arbeit stellt einen Dynamics-Aware Policy Learning (DAPL)-Rahmen vor, der durch explizite Modellierung kontaktinduzierter Dynamiken in überfüllten Umgebungen extrinsische Dexterity ohne manuell erstellte Heuristiken ermöglicht und dabei sowohl in Simulationen als auch in realen Szenarien signifikant bessere Erfolgsraten als herkömmliche Methoden erzielt.