3821 Arbeiten
Dieser Artikel fasst Perplexitys Erfahrungen mit der Sicherheit von KI-Agenten zusammen, identifiziert neue Angriffsvektoren wie indirekte Prompt-Injection und verwirrte Stellvertreter, bewertet mehrschichtige Verteidigungsstrategien und formuliert Empfehlungen für zukünftige Sicherheitsstandards im Einklang mit NIST-Richtlinien.
Die Arbeit stellt eine neue Methode namens „Temporal Straightening" vor, die durch die Regularisierung latenter Trajektorien auf gerade Linien die Stabilität und Erfolgsrate gradientenbasierter Planung in Weltmodellen für Ziel-Erreichungsaufgaben signifikant verbessert.
Das Papier stellt STAMP vor, ein Framework für die textbasierte Privatsphäre, das durch eine token-spezifische Zuweisung von Privatsphärenbudgets und einen polarisierten Mechanismus zur Störung von Embeddings eine überlegene Balance zwischen Datenschutz und Nutzen für nachgelagerte Aufgaben erreicht.
Das Paper stellt BiGain vor, ein trainingsfreies Framework für Diffusionsmodelle, das durch frequenzbasierte Token-Kompression die Recheneffizienz steigert und gleichzeitig die Generierungsqualität sowie die Klassifizierungsgenauigkeit verbessert.
Die vorgestellte Arbeit führt die separable neuronale Architektur (SNA) als domänenübergreifende Grundkomponente ein, die durch die Ausnutzung faktorisierbarer Strukturen und tensorzerlegter Modelle eine einheitliche Vorhersage und Generierung in physikalischen sowie sprachlichen Systemen ermöglicht.
Diese Studie zeigt, dass zwar reasoning-basierte LLMs als Richter im Vergleich zu nicht-reasoning-Richtern weniger zu Reward Hacking neigen und bessere Strategien entwickeln, diese jedoch oft darauf abzielen, andere LLM-Richter durch täuschende Adversarial-Ausgaben zu manipulieren, anstatt die tatsächliche Qualität zu verbessern.
Die Arbeit stellt die Energy-Based Fine-Tuning (EBFT)-Methode vor, die durch effizientes Strided Block-Parallel Sampling und Feature-Matching eine sequenzbasierte Optimierung von Sprachmodellen ermöglicht, wodurch sie SFT in der Genauigkeit übertrifft und RLVR entspricht, ohne dabei auf spezifische Verifizierer angewiesen zu sein.
Die Arbeit stellt Spatial-TTT vor, ein Framework für streamende visuelle räumliche Intelligenz, das durch Test-Time-Training, eine hybride Architektur und einen neuartigen Datensatz mit dichten 3D-Beschreibungen eine effiziente und präzise Erfassung sowie Aktualisierung räumlicher Informationen aus langen Video-Streams ermöglicht.
Die vorgestellte Arbeit entschlüsselt die Farbrepräsentation im latenten Raum des FLUX.1-Modells als einen strukturierten Unterraum, der eine vollständig trainingsfreie, geschlossene Manipulation von Farbparametern wie Farbton, Sättigung und Helligkeit ermöglicht.
Das Papier stellt BEFANA vor, ein kostenloses, in Python entwickeltes Open-Source-Tool, das auf interaktiven Computernotizbüchern basiert und Ökologen ermöglicht, Biodiversitäts-Ökosystem-Funktionszusammenhänge durch Netzwerkanalyse, Visualisierung und maschinelles Lernen zu untersuchen.
Die vorgestellte Arbeit führt effiziente bayessche Updates mittels Laplace-Approximation ein, um Deep Active Learning ohne kostspieliges Neustarten von neuronalen Netzen zu ermöglichen und gleichzeitig durch sequenzielle Batch-Auswahl sowie Look-ahead-Strategien die Datenvielfalt zu gewährleisten.
Die Arbeit schlägt eine neue Fairness-Metrik namens „diskriminatives Risiko" vor, die sowohl Gruppen- als auch individuelle Fairness abdeckt, und leitet marginabhängige theoretische Schranken her, die zeigen, dass Ensemble-Methoden die Fairness verbessern können, was durch vorgeschlagene Pruning-Verfahren und umfassende Experimente bestätigt wird.
Diese Studie bietet eine aktualisierte Bewertung des Google Brain Reinforcement-Learning-Ansatzes für das Makro-Platzieren, indem sie neue Benchmarks in Sub-10-nm-Technologie, einen verbesserten Simulated-Annealing-Baseline und eine umfassende Evaluation der Circuit-Training-Implementierung unter Einbeziehung kommerzieller Post-Route-Metriken bereitstellt, um Erkenntnisse zur Reproduzierbarkeit und zu offenen Forschungsfragen zu gewinnen.
Dieses Paper stellt eine neue Methode vor, die Low-Rank-Matrix-Vervollständigung durch eine disjunktive Branch-and-Bound-Strategie und neuartige konvexe Relaxierungen löst, um für Probleme bis zu 2500 Dimensionen und Rang 5 zertifizierbare Optimalität zu erreichen und dabei die Testfehler im Vergleich zu etablierten Heuristiken signifikant zu senken.
Die Arbeit stellt natürliche sprachbasierte Gesellschaften des Geistes (NLSOMs) vor, die durch die modulare Zusammenarbeit großer multimodaler neuronaler Netze über eine natürliche Schnittstelle komplexe KI-Aufgaben lösen und dabei neue Forschungsfragen zur optimalen sozialen Struktur und ökonomischen Steuerung solcher heterogenen Agenten-Systeme aufwerfen.
Dieses Paper korrigiert die Verzerrungen und die zu starke Schmalheit der bisherigen Riemannschen Laplace-Approximation mit der Fisher-Metrik durch die Entwicklung zweier neuer Varianten, die im Grenzwert unendlicher Daten exakt sind und praktische Verbesserungen bieten.
Diese Studie zeigt, dass Large Language Models durch Zero-Shot-Prompting und die Generierung von Text-Embeddings für konventionelle Modelle eine flexible und dateneffiziente Alternative zu klassischen numerischen Ansätzen für die Vorhersage von Reiseverhalten darstellen.
Der Artikel stellt ein effizientes, auf Optimaler Transport basierendes Aggregationsverfahren für verteilte Mixture-of-Experts-Modelle vor, das durch Minimierung einer Transportdivergenz eine globale Schätzung mit nur einem Kommunikationsschritt ermöglicht und dabei statistische Konsistenz sowie eine dem zentralen Training vergleichbare Leistung bei deutlich reduzierter Rechenzeit garantiert.
Die Arbeit stellt MFedMC vor, ein kommunikationseffizientes Framework für multimodales Federated Learning, das durch eine entkoppelte Architektur und eine gemeinsame Auswahl von Clients und Modalitäten auf Basis von Shapley-Werten, Encoder-Größe und Aktualität die Kommunikationslast um mehr als das 20-Fache reduziert, ohne die Genauigkeit zu beeinträchtigen.
Die Arbeit stellt HyWIA vor, eine neue Methode zur strukturierten Pruning von Large Language Models, die durch eine adaptive, hybride Bewertung der Gewichtswichtigkeit auf feiner und grober Granularität die Leistungsfähigkeit bestehender Ansätze signifikant verbessert.