152 Arbeiten
Dieser Vorschlag stellt Metriken vor, um den Grad der Automatisierung in der KI-Forschung und Entwicklung sowie deren Auswirkungen auf den Fortschritt und die Sicherheit zu messen, um Entscheidungsträgern eine fundierte Grundlage für die Überwachung und Regulierung zu bieten.
Diese Studie validiert einen Large-Language-Model-Ansatz, der durch die Analyse von über 16.000 TripAdvisor-Bewertungen verborgene Treiber der Passagierzufriedenheit aufdeckt und dabei eine kritische Diskrepanz zwischen operativen Verbesserungen und der sinkenden Zufriedenheit bei EgyptAir nach 2022 identifiziert.
Die Arbeit stellt das „Invariant Causal Routing"-Framework vor, das durch die Kombination von kontrafaktischem Denken und kausaler Invarianz stabile, interpretierbare und übertragbare Governance-Regeln entwickelt, um soziale Normen in Online-Marktwirtschaften effektiv zu steuern.
Dieses Papier schlägt Token-Steuern als durchsetzbare, verbrauchsbasierte Abgabe vor, um die wirtschaftlichen Risiken von AGI für die Steuerbasis und die Lebensstandards zu mindern, indem es bestehende Rechengovernance-Infrastrukturen nutzt und sich von früheren Robot-Steuervorschlägen abgrenzt.
Diese Fallstudie demonstriert, dass durch den Einsatz eines vertrauenswürdigen, datenschutzkonformen KI-Systems in einem öffentlichen Markt detaillierte verhaltensbezogene Einblicke gewonnen werden können, die ohne Kompromisse bei ethischen Standards eine Optimierung des Fußgängerverkehrs ermöglichen.
Die Arbeit stellt „Stan" vor, ein auf lokalen Open-Weight-Modellen basierendes Assistenzsystem für einen Thermodynamik-Kurs, das mittels Retrieval-Augmented Generation sowohl Studierenden kontextbezogene Antworten als auch Lehrenden strukturierte Kursanalysen aus denselben Transkripten bietet, wobei Datenschutz und Reproduzierbarkeit durch den Verzicht auf Cloud-APIs gewährleistet werden.
Diese Arbeit stellt einen integrativen Ansatz zur Verallgemeinerung der fairen Top--Auswahl auf mehrere geschützte Gruppen vor, der durch eine neue Härteanalyse die Berechnungskomplexität aufdeckt, eine alternative Disparitätsmessung über den Nutzenverlust einführt und durch eine zweigleisige Lösung sowohl theoretische Erkenntnisse als auch starke empirische Ergebnisse auf realen Datensätzen liefert.
Diese Studie analysiert die Nutzungsbedingungen von 13 großen Social-Media-Plattformen mithilfe eines dreidimensionalen Rahmens und stellt fest, dass die darin enthaltenen Einwilligungen zwar formal vorhanden, aber aufgrund hoher sprachlicher Komplexität, vager Formulierungen und mangelnder Transparenz oft nicht wirklich verständlich oder aussagekräftig sind.
Diese Arbeit stellt eine neue Architektur namens GAMDSS vor, die durch dynamische Neuauswahl von Schlüsseldiagrammen menschliche Annotationenfehler in der mikroskopischen Gesichtsausdruckserkennung, insbesondere bei multikulturellen Datensätzen, korrigiert und die Leistung bestehender Modelle ohne zusätzliche Parameter verbessert.
Diese Metaanalyse zeigt, dass KI-Modelle beim automatisierten Bewerten von Kurzantworten hinter menschlichen Experten zurückbleiben, wobei die Schwierigkeit für Menschen keine Vorhersagekraft für die KI-Leistung hat, Decoder-Architekturen signifikant schlechter abschneiden als Encoder und zudem Verzerrungen sowie Diskriminierung in Bildungskontexten aufweisen.
Diese Arbeit analysiert, wie der für den Datenschutz notwendige Rauschanteil beim DP-SGD-Training in zweischichtigen neuronalen Netzen das Erlernen von Merkmalen beeinträchtigt, was zu einer Verschlechterung der Fairness, der Robustheit gegenüber Adversarial-Angriffen und der allgemeinen Leistung führt, insbesondere bei unausgewogenen Datenverteilungen oder bei der Verwendung von Public-Pre-Training.
Eine randomisierte Studie mit 164 Jurastudierenden zeigt, dass gezielte Schulungen die Nutzung von generativer KI in der Rechtsanalyse signifikant steigern und die Prüfungsleistungen verbessern, während der bloße Zugang ohne Schulung keine Leistungssteigerung bewirkt.
Die Studie zeigt, dass selbst bei anonymisierten Lebensläufen subtile soziokulturelle Marker wie Hobbys oder Sprachen in LLM-gestützten Bewerbungsprozessen zu einer systematischen Benachteiligung nicht-chinesischer und nicht-weißer Kandidaten führen können, wobei die Bias durch Erklärungs-Prompts noch verstärkt wird.
Dieser Artikel schlägt eine einheitliche Definition und ein auf den OODA-Loop basierendes Interaktionsframework für die kognitive Kriegsführung vor, um deren Bewertung zu ermöglichen und anhand einer Fallstudie die Anwendung für militärische Führungskräfte zu veranschaulichen.
Diese Studie zeigt, dass die Bewertung von drei gängigen urbanen Mobilitätsmodellen (Schwerkraft, Strahlung und Besuch) über verschiedene räumliche Skalen hinweg nicht nur ihre relative Leistungsfähigkeit aufdeckt, sondern auch die räumliche Struktur der Stadt offenbart, wobei das Besuchmodell zwar insgesamt besser abschneidet, aber bei ungünstigen Skalen am stärksten leidet und distanzbasierte Clustering-Methoden konventionellen Verwaltungsgrenzen überlegen sind.
Das Paper stellt NL2GDS vor, ein Framework, das große Sprachmodelle nutzt, um natürliche Sprachbeschreibungen über den OpenLane-Flow in synthetisierbaren RTL-Code und GDSII-Layouts zu übersetzen, wodurch sich bei Benchmark-Designs signifikante Verbesserungen in Fläche, Verzögerung und Leistung ergeben.
Der Beitrag stellt eine modulare, biologisch inspirierte Architektur vor, die emotionale Steuerungsfunktionen ermöglicht, während sie durch acht architektonische Prinzipien und vier Risikominimierungsbedingungen (R1–R4) bewusstseinsrelevante Merkmale wie globale Broadcast-Mechanismen oder Metarepräsentationen gezielt ausschließt, um so einen auditable Ansatz für die Governance künstlicher Agenten zu entwickeln.
Die Arbeit stellt RLVER vor, ein Reinforcement-Learning-Framework, das verifizierbare Emotionsbelohnungen von simulierten Nutzern nutzt, um die emotionale Intelligenz von Sprachmodellen signifikant zu steigern, ohne dabei deren kognitive Fähigkeiten zu beeinträchtigen.
Diese Arbeit stellt eine Methode zur Extraktion von Metaphern aus niederländischen Interviews und Forenbeiträgen von Krebspatienten mittels Large Language Models und eines Human-in-the-Loop-Ansatzes vor, um das Korpus HealthQuote.NL zu erstellen und damit die Patientenversorgung sowie die Kommunikation im Gesundheitswesen zu verbessern.
Diese Studie analysiert systematisch die politischen, ideologischen, geopolitischen, sprachlichen und geschlechtsspezifischen Verzerrungen in vier weit verbreiteten Large Language Models und zeigt, dass diese trotz ihrer Ausrichtung auf Neutralität weiterhin verschiedene Arten von Vorurteilen aufweisen.