7103 Arbeiten
Die Studie kommt zu dem Schluss, dass Large Language Models aufgrund fehlender körperlicher und normativer Voraussetzungen keine autonomen Agenten sind, sondern als sprachliche Automaten fungieren, die dennoch durch ihre spezifische Verleiblichung und die menschlich-maschinelle Kopplung neue Formen von „mittendriger" (midtended) Handlungsfähigkeit ermöglichen.
Die Arbeit stellt PACE vor, eine neue Methode zur parameter-effizienten Feinabstimmung, die durch konsistenzbasierte Regularisierung und Rauschen die Generalisierungsfähigkeit verbessert, indem sie die Gradientennormen reduziert und das Wissen aus dem Vor-Training bewahrt, was in verschiedenen visuellen und textbasierten Aufgaben zu überlegenen Ergebnissen führt.
Das Paper stellt FALCON vor, einen selbstüberwachten Vorab-Trainingsansatz für die UAV-Aktionserkennung, der durch objektspezifisches Masking und zukunftsorientierte Rekonstruktion die Dominanz von Hintergrundinformationen überwindet und so die Genauigkeit bei gleichzeitig schnellerer Inferenz im Vergleich zu überwachten Methoden signifikant verbessert.
Diese Studie stellt eine effiziente, selbstüberwachte Methode zur Rekonstruktion seismischer Daten vor, die auf einem schlanken Netzwerk und einem Selbstkonsistenz-Lernansatz basiert, um unregelmäßige Datenerfassung ohne zusätzliche Trainingsdaten zu korrigieren.
Die Arbeit stellt Ditto vor, ein diffusion-basiertes Framework für die Synthese sprechender Köpfe, das durch die Generierung von Darstellungen in einem spezifischen Bewegungsraum feingranulare Kontrolle und Echtzeit-Inferenz ermöglicht, um die Nachteile bestehender Modelle hinsichtlich Geschwindigkeit und Steuerbarkeit zu überwinden.
Die Autoren stellen l0-regularisierte quadratische Oberflächen-Support-Vektor-Maschinen vor, die durch eine Penalty-Decomposition-Algorithmik sparsame und generalisierbare Klassifikatoren ohne Kernel-Funktionen ermöglichen und dabei auf Benchmark-Daten sowie im Bereich der Kreditwürdigkeitsprüfung überzeugen.
Diese Übersichtsarbeit bietet einen strukturierten Überblick über den Einsatz von Large Multimodal Language Models im gesamten wissenschaftlichen Lebenszyklus, von der Literaturrecherche und Ideengenerierung bis hin zur Inhaltserstellung, Bewertung und den damit verbundenen ethischen Herausforderungen.
Die Arbeit stellt FragFM vor, ein hierarchisches Framework zur effizienten Generierung von Molekülgraphen mittels fragmentbasierter diskreter Flow-Matching, das durch einen grob-zu-fein Autoencoder und eine stochastische Fragment-Strategie nicht nur eine überlegene Eigenschaftskontrolle ermöglicht, sondern auch durch die Einführung des NPGen-Benchmarks zur Bewertung der Erzeugung natürlicher Produkte einen neuen Maßstab für das Drug-Design setzt.
Die Arbeit stellt SysDPO vor, ein Framework, das die direkte Präferenzoptimierung (DPO) auf komplexe, aus mehreren Komponenten bestehende KI-Systeme erweitert, um diese durch eine graphbasierte Modellierung und systemweite Optimierung effektiv an menschliche Präferenzen anzupassen, ohne auf differenzierbare Interaktionen angewiesen zu sein.
Diese Arbeit untersucht die adversarische Robustheit partitionierter Quantenklassifizierer, indem sie einen Zusammenhang zwischen Störungen durch Wire-Cutting oder Teleportation und der Implementierung adversarischer Gatter in Zwischenschichten herstellt und dieses Problem sowohl theoretisch als auch experimentell analysiert.
Die vorgestellte Arbeit führt CAPS (Context-Aware Priority Sampling) ein, eine Methode, die mittels VQ-VAEs kontextsensitive Datencluster erstellt, um durch gezieltes Priorisieren seltener, wertvoller Beispiele die Effizienz und Generalisierungsfähigkeit von autonomen Fahrsystemen im CARLA-Simulator signifikant zu verbessern.
Diese kontrollierte Studie zeigt, dass die wahre Vorhersagefähigkeit von vortrainierten Large Language Models für Zeitreihen durch die Überanpassung von Tokenizer-Detokenizer-Paaren an kleine Datensätze oft verschleiert wird und ihre Leistung selbst mit optimierten, großskalig vortrainierten Komponenten die von speziell auf Zeitreihendaten trainierten Modellen nicht konsistent übertrifft.
Diese Studie untersucht aus einer Überlebendenperspektive die Versagen der aktuellen KI-Governance-Maßnahmen, die durch einen „bösartigen technischen Ökosystem" aus Open-Source-Modellen und leicht zugänglicher Software ermöglicht wird, das die Erstellung nicht-einvernehmlicher, KI-generierter intimer Bilder von Erwachsenen erleichtert.
Dieser Übersichtsartikel bietet einen umfassenden Einblick in das federierte Lernen als dezentralen Ansatz für privatsphäreschonendes kollaboratives maschinelles Lernen, indem er die Architektur, zentrale Herausforderungen wie Datenheterogenität und Kommunikationskosten, sowie aktuelle Trends und Anwendungsfälle analysiert und zukünftige Forschungsrichtungen aufzeigt.
Die Arbeit stellt FourierSpecNet vor, ein hybrides Deep-Learning-Framework, das die Fourier-Spektralmethode nutzt, um den Kollisionsoperator der Boltzmann-Gleichung effizient zu approximieren und dabei rechenintensive traditionelle Solver durch eine resolutionsinvariante, hochgenaue und kostengünstige Alternative für elastische und inelastische Kollisionen ersetzt.
Die Autoren stellen eine skalierbare Heterogene Graph-Neuronale Netzwerk-Architektur vor, die durch einen Multi-Task-Lernansatz und integrierte Graph-Pruning-Schichten die Rekonstruktion von Teilchenkollisionen am LHC verbessert, indem sie gleichzeitig Vertex-Zuordnungen vornimmt und die Graphenkomplexität reduziert.
Die Arbeit stellt Reasoning Reward Models (ReasRMs) vor, insbesondere die RM-R1-Familie, die durch die Umformulierung des Reward-Modeling als Reasoning-Aufgabe mit einem Chain-of-Rubrics-Mechanismus und einem zweistufigen Trainingsprozess die Interpretierbarkeit und Leistung von Belohnungsmodellen signifikant steigern.
Diese Arbeit führt eine Variante von Polyak-Schrittweiten ein, um die Entropie-Spiegelabstiegsmethode für lineare Systeme auf unbeschränkten Domänen mit konvergenzbeweisen zu analysieren, dabei die implizite Verzerrung in der -Norm zu verbessern und die Ergebnisse auf allgemeine konvexe -glatte Funktionen zu verallgemeinern.
Diese Arbeit stellt EVA vor, ein neuartiges asynchrones Framework, das durch die Übertragung von Sprachmodellierungstechniken auf die Ereignisverarbeitung überlegene Merkmalsrepräsentationen für Erkennungs- und Detektionsaufgaben in der ereignisbasierten Computer Vision ermöglicht.
Die Studie stellt ESGenius vor, den ersten umfassenden Benchmark zur Evaluierung von Large Language Models im Bereich ESG und Nachhaltigkeit, der aus einem von Experten validierten Fragenkatalog und einer Kuratierung autoritativer Quellen besteht und zeigt, dass Retrieval-Augmented Generation (RAG) die Leistung dieser Modelle in diesem spezialisierten Fachgebiet signifikant verbessert.