6736 Arbeiten
Die Autoren stellen mit RobLight eine Methode vor, die die Verifikation der strukturellen Robustheit von Graph-Neuralen-Netzen durch den Ersatz rechenintensiver Solver durch effiziente, polynomielle Teil-Solver verbessert und dabei auf Kosten der Vollständigkeit eine schnellere Lösung ermöglicht.
Diese Arbeit stellt ein formales, einheitliches Rahmenwerk für Zero-Shot-Reinforcement-Learning vor, das eine Taxonomie bestehender Methoden sowie eine Zerlegung der Gesamtfehlergrenze in Inferenz-, Belohnungs- und Approximationskomponenten bietet, um rigorose Vergleiche zu ermöglichen.
Das Paper stellt SwiftTS vor, ein effizientes Auswahlframework für vortrainierte Zeitreihenmodelle, das mittels multi-task Meta-Learning und einer leichten Dual-Encoder-Architektur die Leistung von Modellen auf neuen Datensätzen vorhersagt, um teures Feinabstimmen zu vermeiden.
Die Arbeit stellt „Mercer-Priors" vor, eine neue Klasse von Priors für Bayesianische neuronale Netze, die durch direkte Definition über die Mercer-Darstellung von Kovarianzkernen interpretierbare Gitterprozesse approximieren und so die Skalierbarkeit neuronaler Netze mit der Interpretierbarkeit von Gauß-Prozessen für die Unsicherheitsquantifizierung verbinden.
Die Arbeit stellt PESO vor, eine Methode zur kontinuierlichen Anpassung von LoRA-Adaptern in generativen Empfehlungssystemen, die durch einen proximalen Regularisierer sicherstellt, dass das Modell aktuelle Nutzerpräferenzen effektiv erfasst, ohne sich an veraltete Vorlieben zu binden.
Diese Studie vergleicht die interpretierbare ANFIS-FBCSP-PSO-Methode mit dem Deep-Learning-Modell EEGNet zur Motor-Imagery-EEG-Klassifizierung und zeigt, dass das Fuzzy-Modell bei innerhalb-subjektiven Tests überlegen ist, während EEGNet eine bessere Generalisierung über verschiedene Probanden hinweg bietet, was eine gezielte Auswahl des Systems je nach Anforderung an Interpretierbarkeit oder Robustheit ermöglicht.
Diese Arbeit stellt ein System für vernetzte Mixture-of-Experts (NMoE) im mobilen Edge-Computing vor, das durch eine effiziente, datenschutzkonforme Federated-Learning-Strategie die Herausforderungen beim Training großer KI-Modelle auf ressourcenbeschränkten Endgeräten adressiert.
Die Arbeit stellt FATE vor, eine neue Benchmark-Serie für formale Algebra, die LLMs vor extrem schwierige Forschungsprobleme stellt und dabei massive Leistungslücken sowie spezifische Fehlermuster bei der Formalisierung aufzeigt.
Die Studie stellt „Jr. AI Scientist" als fortschrittliches autonomes System vor, das menschliche Forschungsabläufe nachahmt, um neue wissenschaftliche Beiträge zu generieren, und bewertet dabei sowohl dessen Leistungsfähigkeit als auch die damit verbundenen Risiken und Grenzen für die Zukunft der KI-gestützten Wissenschaft.
Der vorgestellte Ansatz DR-SPCRL löst das Problem des Kompromisses zwischen Leistung und Robustheit im Reinforcement Learning, indem er den Robustheitsbudget-Parameter als adaptiver Lehrplan behandelt, was zu stabilerem Training und einer signifikant verbesserten Robustheit gegenüber Umgebungsstörungen führt.
Die vorgestellte Arbeit führt einen augmentationsfreien, multi-sichten Graph-Contrastive-Learning-Ansatz ein, der auf fraktionaler Ordnung basierenden neuronalen Diffusionsnetzwerken beruht, um durch einen lernbaren Ordnungsparameter automatisch adaptive, multi-skalige Graphdarstellungen zu erzeugen und dabei den Stand der Technik zu übertreffen.
Diese Arbeit verbessert bedingte Variationsautoencoder für die Bildgenerierung, indem sie die Varianz des Gauß-Decoders als lernbaren Parameter nutzt und die Annahme einer gleichverteilten latenten Verteilung durch nicht-volumenerhaltende Transformationen ersetzt, was zu einer signifikanten Reduktion des FID und einer Steigerung der Log-Likelihood führt.
Die Autoren zeigen, dass die konvexe Hülle einer -Kugel durch einen asymmetrisch skalierten -ähnlichen Polytop approximiert werden kann, und entwickeln eine darauf basierende lineare Schrankenpropagierung, die die Effizienz bestehender -Robustheitsverifizierer um das 3,16-fache (geometrisches Mittel) steigert.
Die vorgestellte Arbeit entwickelt eine neuartige Angriffsmethode für hyperbolische Netzwerke, die durch die gezielte Manipulation der Winkelkomponente des Gradienten im Tangentialraum effizientere und geometrisch konsistente Adversarial Examples erzeugt als herkömmliche Verfahren.
Diese Arbeit verbessert die Zuverlässigkeit der SmoothLLM-Abwehr gegen Jailbreaking-Angriffe, indem sie eine strengere Annahme durch ein realistischeres probabilistisches (k, )-Instabilitäts-Framework ersetzt, das auf empirischen Angriffsmodellen basiert und praktikable Sicherheitsgarantien für den Einsatz von LLMs liefert.
Diese Studie stellt eine automatisierte Pipeline zur Generierung großskaliger, psychologisch fundierter Multi-Turn-Jailbreak-Datensätze vor und zeigt, dass LLMs der GPT-Familie durch kontextbasierte Manipulationen erheblich anfälliger sind als widerstandsfähigere Modelle wie Gemini 2.5 Flash und Claude 3 Haiku.
Die Arbeit stellt eine neue Methode vor, die durch gezielte anisotrope Rauschinjektion im entkoppelten latenten Raum die Abhängigkeit von Shortcut-Merkmalen reduziert und so die Generalisierungsfähigkeit auf Out-of-Distribution-Daten verbessert, ohne auf Shortcut-Labels oder widersprüchliche Trainingsbeispiele angewiesen zu sein.
Diese Studie zeigt, dass durch die Crowdsourcing-Initiative eines Kaggle-Wettbewerbs entwickelte hybride Physik-ML-Parameterisierungen in einem interaktiven Klimamodell nicht nur eine bisher unerreichte Online-Stabilität erreichen, sondern auch State-of-the-Art-Ergebnisse für globale Klimaprojektionen liefern.
Die Arbeit stellt CRAwDAD vor, ein Dual-Agenten-Debatte-Framework, das durch den Austausch zwischen einem kausalen Inferenz-Agenten und einem kritischen Prüfer die Genauigkeit von Sprachmodellen bei der Beantwortung von Kausalitätsfragen, insbesondere auf der Ebene der kontrafaktischen Analyse, signifikant verbessert.
Die Studie stellt ForamDeepSlice vor, ein hochpräzises Deep-Learning-Framework, das auf einem Ensemble von CNN-Architekturen basiert und eine Genauigkeit von 95,64 % bei der automatisierten Klassifizierung von Foraminiferen-Arten aus 2D-Mikro-CT-Schnitten erreicht, wodurch ein neuer Benchmark für die KI-gestützte mikropaläontologische Identifizierung gesetzt wird.