3727 Arbeiten
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.
Die vorgestellte Arbeit führt den „Local Classifier Alignment" (LCA)-Verlust ein, um die Diskrepanz zwischen adaptiertem Backbone und klassenspezifischen Klassifikatoren im Kontext des kontinuierlichen Lernens zu überbrücken und dadurch katastrophales Vergessen zu verhindern sowie die Robustheit und Leistungsfähigkeit von Modellen auf Standard-Benchmarks signifikant zu steigern.
Die Arbeit stellt einen Ansatz vor, bei dem durch parametrisierte Prompts als Aktionen ein leichtgewichtiges, trainingsfreies Policy-Modell entwickelt wird, um das Dialogverhalten von LLM-basierten Multi-Agenten-Systemen gezielt zu steuern und so die soziale Simulation zu verbessern.
Die Arbeit stellt MSSR vor, ein Erfahrungswiederholungs-Framework für das kontinuierliche Fine-Tuning von LLMs, das durch die Schätzung der samplespezifischen Gedächtnisstärke und adaptive Intervalle für das Rehearsal katastrophales Vergessen effektiv reduziert, ohne die Anpassungsfähigkeit an neue Aufgaben zu beeinträchtigen.
Das Paper stellt MedMASLab vor, ein einheitliches Orchestrierungsframework und Benchmarking-Plattform, das durch die Einführung standardisierter Multimodal-Kommunikationsprotokolle, eines automatisierten klinischen Reasoning-Evaluators und eines umfassenden Datensatzes über 11 Organsysteme die Fragmentierung in der Forschung zu multimodalen medizinischen Multi-Agenten-Systemen adressiert und dabei kritische Leistungslücken bei domänenspezifischen Übergängen aufzeigt.
Diese Arbeit stellt einen datengesteuerten KI-Ansatz vor, der mithilfe validierter Proxys aus Lizenz- und Crowdsourcing-Daten die Spektrumnachfrage in fünf kanadischen Städten präzise prognostiziert, um Regulierungsbehörden bei der dynamischen Ressourcenallokation zu unterstützen.
Das Paper stellt ACADiff vor, ein adaptives klinisch bewusstes latentes Diffusionsmodell, das fehlende multimodale Hirnbildgebungsdaten (sMRI, FDG-PET, AV45-PET) unter Einbeziehung klinischer Metadaten synthetisiert und dabei auch bei extremen 80 % fehlenden Daten eine überlegene Bildqualität und diagnostische Leistung erzielt.
Diese Arbeit stellt eine datengesteuerte Methode vor, die mithilfe von Geodatenanalyse und maschinellem Lernen die räumlich-zeitlichen Muster der Spektrumnachfrage in 6G-Netzen modelliert, um Regulierungsbehörden bei der Entwicklung flexibler Zugriffsschemata zu unterstützen.
Das Paper stellt PathMem vor, ein speicherzentriertes Multimodal-Framework für Pathologie-MLLMs, das durch die Nachahmung des menschlichen Gedächtnisprozesses strukturiertes Fachwissen als Langzeitgedächtnis organisiert und über einen Memory Transformer kontextabhängig in das Arbeitsgedächtnis integriert, um die Diagnosegenauigkeit und Interpretierbarkeit signifikant zu verbessern.
Die Studie stellt k-MTR vor, ein End-to-End-Framework, das undersamplete k-Raum-Daten direkt für die kardiale Analyse nutzt und so den herkömmlichen, fehleranfälligen Schritt der Bildrekonstruktion umgeht, indem es anatomische Informationen direkt im latenten Raum wiederherstellt.
Diese Arbeit stellt fest, dass konfidenzbasierte Enthaltungen in Rangentscheidungssystemen nur dann die Entscheidungsqualität monoton verbessern, wenn strukturelle Unsicherheit vorliegt, während sie bei kontextueller Unsicherheit versagen und somit eine Anpassung des Konfidenzsignals an den Unsicherheitstyp sowie eine Vorabprüfung der Bedingungen C1 und C2 für den erfolgreichen Einsatz erforderlich machen.
Die Studie zeigt, dass der Overfitting-Underfitting-Indicator (OUI) bereits zu einem frühen Trainingszeitpunkt von 10 % als wirksames Signal dient, um in PPO-Actor-Critic-Systemen stabile Lernraten von instabilen zu unterscheiden und dadurch ineffiziente Hyperparametersuchen durch eine präzise Früherkennung zu vermeiden.
Die Arbeit stellt „Neural Debuggers" vor, eine neue Klasse von Sprachmodellen, die traditionelle Debugger-Funktionen wie das Setzen von Haltepunkten und das schrittweise Durchlaufen von Code nachahmen, um sowohl die Vorwärts- als auch die Rückwärtsausführung von Python-Programmen zuverlässig zu modellieren und so die Grundlage für fortschrittlichere Agenten-basierte Codiersysteme zu legen.
Die Studie zeigt, dass im Gegensatz zum menschlichen Verhalten das Nachdenken bei großen Sprachmodellen die Ehrlichkeit erhöht, da der Prozess des moralischen Abwägens das Modell durch einen verzerrten Repräsentationsraum führt, in dem ehrliche Antworten stabiler sind als täuschende.
Das Paper stellt BEACON vor, ein System zur Vorhersage von Navigationsaffordanzen in einer vogelperspektivischen Wärmebildkarte, das durch die Kombination von Sprachanweisungen mit RGB-D-Observationen und einem visuell-sprachlichen Modell in der Lage ist, auch verdeckte Zielorte zu erkennen und so die Genauigkeit im Vergleich zu bildbasierten Methoden signifikant zu steigern.
Diese Studie erweitert die Bienen-Gleichung um emotionale Valenz und Erregung als Modulatoren in einem agentenbasierten Modell, um zu zeigen, wie emotionale Dynamiken und nichtlineare Verstärkungseffekte die Geschwindigkeit und den Ausgang kollektiver Entscheidungen in Schwärmen beeinflussen.
Diese Studie untersucht die Nutzung eines von einem Large Language Model (LLM) angetriebenen virtuellen Führers durch 16 blinde und sehbehinderte Personen in sozialen VR-Umgebungen und zeigt, dass die Interaktionsweise je nach Anwesenheit anderer Nutzer zwischen einer instrumentellen Werkzeugnutzung und einer companionschaftlichen Beziehung wechselt, woraus wichtige Designempfehlungen für zukünftige barrierefreie VR-Systeme abgeleitet werden.