7103 Arbeiten
Die Arbeit stellt das Token-Conditioned Reinforcement Learning (ToCoRL)-Framework vor, das die inhärente Verhaltensplastizität von Large Language Models durch token-bedingte Generierung und Verstärkungslernen nutzt, um präzise Verhaltensanpassungen ohne Kapazitätsverlust zu ermöglichen, wie etwa die Umwandlung von rechenintensiven Modellen in effiziente Faktenfragesteller.
Die Arbeit analysiert die Instabilität nicht-linearer Wertzerlegung im Offline-Multi-Agenten-Reinforcement-Learning und schlägt eine skalierungsinvariante Wertnormalisierung vor, um ein stabiles Training zu ermöglichen und eine praktische Anleitung für den erfolgreichen Einsatz dieses Paradigmas zu entwickeln.
Die Arbeit stellt GCOS vor, einen Trainingsregularisierungsansatz, der durch die geometrisch kontrollierte Synthese von Ausreißern im Merkmalsraum die Robustheit von neuronalen Netzen gegenüber Out-of-Distribution-Daten verbessert und gleichzeitig eine konforme Inferenz mit formalen Fehlergarantien ermöglicht.
Die vorgestellte Meta-RL-Studie führt einen hybrigen Actor-Critic-Ansatz mit geteilten Repräsentationen und einer bi-level-Optimierung ein, der auf einem realen Gebäudeenergiemanagement-Datensatz eine schnellere Anpassung und bessere Generalisierung als herkömmliche Reinforcement-Learning-Methoden ermöglicht.
Das Paper stellt SYNAPSE vor, ein systematisches, trainingsfreies Framework zur Analyse und gezielten Störung neuronaler Aktivität in Transformer-Modellen, das durch die Identifizierung redundanter Repräsentationen und spezifischer Schwachstellen die Robustheit und Interpretierbarkeit von KI-Systemen verbessert.
Der Artikel stellt IronEngine vor, eine umfassende KI-Assistentenplattform mit einem einheitlichen Orchestrierungskern, die durch einen dreistufigen Planungs- und Ausführungsprozess, eine adaptive Modellverwaltung und eine robuste Werkzeugintegration eine zuverlässige Automatisierung für allgemeine Aufgaben ermöglicht.
Die Arbeit stellt GRACE vor, einen adaptiven Rahmen für das inkrementelle Klasslernen, der durch einen zyklischen Prozess aus Wachstum, Bewertung und Kompression das Vergessen minimiert und gleichzeitig den Speicherbedarf im Vergleich zu reinen Expansionsmethoden um bis zu 73 % reduziert.
Diese prospektive Machbarkeitsstudie zeigt, dass ein konversationsbasiertes KI-System (AMIE) in einer realen ambulanten Umgebung sicher eingesetzt werden kann, von Patienten und Ärzten positiv bewertet wird und in Bezug auf Diagnosequalität und Behandlungspläne mit Hausärzten vergleichbar ist, wenngleich diese bei der praktischen Umsetzbarkeit und Kosteneffizienz überlegen sind.
LycheeCluster ist eine neuartige Methode zur effizienten Verwaltung des KV-Caches bei Large Language Models, die durch semantisch bewusste Chunking und hierarchische Indizierung die lineare Suchkomplexität in logarithmische Zeit umwandelt und damit eine bis zu 3,6-fache Beschleunigung der Inferenz bei minimalen Leistungseinbußen ermöglicht.
Die Studie zeigt, dass die kritische Driftschwelle, ab der ein RL-Agent mit Weltmodell Anomalien erkennt, durch das Zusammenspiel von Detektorempfindlichkeit, Rauschuntergrund und Umgebungsstruktur bestimmt wird, wobei subtile Drifts oft unentdeckt bleiben und in fragilen Umgebungen ein Zusammenbruch vor einer Wahrnehmung erfolgen kann.
Diese Arbeit stellt einen adaptiven, entropiegesteuerten Sensorauswahlmechanismus für einen Kamera-LiDAR-Partikelfilter vor, der in einer realen maritimen Testumgebung in Zypern nachweist, dass durch die dynamische Auswahl der informativsten Sensorkonfiguration eine robuste Einzel-Schiff-Verfolgung mit einem optimalen Kompromiss zwischen Genauigkeit und Kontinuität erreicht wird.
Die Arbeit stellt MedCertAIn vor, ein Framework zur Vorhersage von Krankenhausrisiken, das multimodale klinische Daten nutzt und durch datengesteuerte Priors die Vorhersagegenauigkeit sowie die Unsicherheitsschätzung für zuverlässigere klinische KI-Systeme verbessert.
Die Arbeit stellt einen neuen Ansatz vor, der effizientes Schlussfolgern als verlustbehaftete Kompression unter dem Prinzip des bedingten Informationsengpasses (CIB) neu definiert, um durch ein semantisches Prior-Modell und eine verstärkende Lernzielsetzung die Token-Kosten zu senken, ohne dabei die logische Genauigkeit oder den Fluss der Antwort zu beeinträchtigen.
Die Studie stellt MUSA-PINN vor, eine Multi-Skalen-Weak-form-Physik-informierte neuronale Netzwerk-Methode, die durch die Formulierung von PDE-Beschränkungen als integrale Erhaltungsgesetze auf hierarchischen Kontrollvolumina die Konvergenzprobleme herkömmlicher PINNs bei Strömungen in komplexen TPMS-Geometrien überwindet und dabei die Genauigkeit erheblich steigert sowie die Massenerhaltung gewährleistet.
Diese Arbeit integriert Lagrange-Neuronale Netze in das Dyna-Framework für modellbasiertes Reinforcement Learning, um physikalische Gesetze zu erzwingen und die Vorhersagegenauigkeit zu verbessern, wobei ein zustandsbasiertes Optimierungsverfahren eine schnellere Konvergenz als stochastische Gradientenverfahren aufweist.
Die Arbeit stellt STRIDE vor, ein Framework zur Vorhersage der Roboterdynamik in unstrukturierten Umgebungen, das konservative Lagrange-Mechanik über ein Lagrange-Neuronales Netz mit stochastischen Restdynamiken mittels bedingtem Flow-Matching kombiniert, um physikalische Konsistenz und präzise Modellierung komplexer Interaktionen zu gewährleisten.
Die Arbeit stellt X-AVDT vor, einen robusten Deepfake-Detektor, der durch die Analyse interner Audio-Visual-Cross-Attention-Mechanismen und die Einführung des neuen Multimodal-Datensatzes MMDF eine überlegene Generalisierungsfähigkeit gegenüber zukünftigen Generatoren erreicht.
Der Artikel stellt NN-OpInf vor, ein struktur-erhaltendes Operator-Inferenz-Framework, das kompositionsfähige neuronale Netze nutzt, um nicht-intrusive reduzierte Ordnungsmodelle für dynamische Systeme zu erstellen, die bei nicht-polynomialen Nichtlinearitäten eine höhere Genauigkeit und Stabilität als herkömmliche polynomialbasierte Ansätze bieten.
Die Autoren stellen PolarBear vor, ein Framework, das mittels eines zeitlichen Plackett-Luce-Ranking-Modells und adaptivem Sampling eine Pareto-optimale Menge von Anytime-Algorithmen identifiziert, ohne dass Normalisierung oder bekannte Optima erforderlich sind.
Die vorgestellte Arbeit stellt eine effiziente Methode zur Erzeugung von Glaubensmengen (Credal Sets) durch Decalibration vor, die es ermöglicht, epistemische Unsicherheit auch bei komplexen Modellen wie TabPFN und CLIP ohne den hohen Rechenaufwand eines Ensembles zu quantifizieren.