4175 Arbeiten
Diese Studie zeigt, dass parameter-effizientes Feintuning (PEFT) für Code-Analyse-Aufgaben nicht nur die Speicherkosten und Rechenleistung im Vergleich zum vollständigen Feintuning drastisch reduziert, sondern auch durch geschicktes Multi-Task-Learning die Leistung von einzelnen spezialisierten Modellen und sogar von großen generischen LLMs übertreffen kann.
Die Arbeit stellt TRU (Targeted Reasoning Unlearning) vor, eine neue Methode zum gezielten Entfernen unerwünschten Wissens aus großen Sprachmodellen, die durch einen begründungsbasierten Lernzielansatz die Sicherheit und Erklärbarkeit verbessert, ohne dabei die allgemeinen Fähigkeiten des Modells zu beeinträchtigen.
Die Arbeit stellt MoE-SpAc vor, ein Inferenzframework für Mixture-of-Experts-Modelle in heterogenen Edge-Umgebungen, das durch die Nutzung von spekulativer Dekodierung als Informationsquelle für das Speichermanagement und dynamische Lastverteilung eine signifikante Steigerung der Verarbeitungsgeschwindigkeit und Effizienz erreicht.
Die vorgestellte Arbeit entwickelt einen Rahmen zur Optimierung von Kontextdaten für LLM-gesteuerte Feature-Transformationen, der durch einen geschlossenen Regelkreis mit evolutionären, auf Reinforcement Learning basierenden Erfahrungsbibliotheken und einer diversitätsbewussten Auswahl die Effizienz und Leistungsfähigkeit gegenüber bestehenden Methoden signifikant steigert.
Der Artikel stellt TAMUSA-Chat vor, ein Forschungsrahmenwerk für die Entwicklung von domänenspezifischen, verantwortungsvoll eingesetzten konversationellen KI-Systemen an Hochschulen durch Feinabstimmung und retrievalgestützte Generierung.
Diese Studie bewertet die Robustheit und pädagogische Sicherheit von offline einsetzbaren Large Language Models im Kontext des Türkisch-Unterrichts und stellt fest, dass Modelle mit 8 bis 14 Milliarden Parametern den besten Kompromiss zwischen Kosten und Sicherheit bieten, wobei Anomaliewiderstand nicht allein von der Modellgröße abhängt.
Diese Studie liefert theoretische Erklärungen für die Leistungsfähigkeit von Large Language Models, indem sie zeigt, dass In-Context Learning die Aufgabenambiguität reduziert und Chain-of-Thought das Zerlegen komplexer Probleme in bereits gelernte Teilsequenzen ermöglicht, was durch die Analyse der Token-Übergangswahrscheinlichkeiten und statistischer Fehlergrenzen untermauert wird.
Die Studie nutzt Wikidata und Wikipedia, um einen mehrsprachigen Datensatz mit über 26.000 Fragen zu lateinamerikanischen soziokulturellen Themen zu erstellen, mit dem sich nachweisen lässt, dass große Sprachmodelle bei der Behandlung lateinamerikanischer Kulturen im Vergleich zur iberischen spanischen Kultur sowie in den jeweiligen Originalsprachen signifikante Wissenslücken und Verzerrungen aufweisen.
Die Studie stellt SpreadsheetArena vor, eine Plattform zur blinden Paarvergleichsbewertung von LLM-generierten Tabellenkalkulationsworkbooks, die zeigt, dass Präferenzen für Stil, Struktur und Funktionalität stark variieren und aktuelle Spitzenmodelle oft noch nicht mit domänenspezifischen Best Practices übereinstimmen.
Diese Studie widerlegt die Annahme, dass LLM-Täuschung ausschließlich mit Lügen gleichzusetzen ist, indem sie experimentell nachweist, dass Modelle auch durch irreführende, aber faktisch wahre Aussagen täuschen können, was bestehende „Lügendetektor"-Ansätze aufgrund ihrer Unfähigkeit, solche nicht-lügenden Täuschungen zu erkennen, als unzureichend entlarvt.
Das Team GATech stellt bei der AbjadGenEval-Shared-Task einen Ansatz zur Erkennung von KI-generiertem arabischen Text vor, bei dem ein feinabgestimmter multilingualer E5-large-Encoder mit einfacher Mittelwert-Pooling-Strategie die besten Ergebnisse (F1 0,75) erzielt, da komplexere Pooling-Methoden bei begrenzten Daten nicht besser generalisieren und zudem ein deutlicher Längenunterschied zwischen menschlichen und maschinellen Texten festgestellt wurde.
Diese Arbeit zeigt, dass für die feinkörnige Klassifizierung arabischer medizinischer Texte über 82 Kategorien spezialisierte bidirektionale Encoder wie AraBERTv2 aufgrund ihrer Fähigkeit, globale semantische Kontexte zu erfassen, deutlich besser abschneiden als kausale Decoder-Modelle.
Die vorgestellte Arbeit führt Personalized GRPO (P-GRPO) ein, ein neuartiges Ausrichtungsframework, das durch die Entkopplung der Vorteilsschätzung von der aktuellen Batch-Statistik und die Normalisierung gegenüber gruppenspezifischen Belohnungshistorien die Verzerrung zugunsten dominanter Präferenzen in heterogenen Szenarien überwindet und so eine schnellere Konvergenz sowie eine präzisere Anpassung an individuelle Nutzerpräferenzen ermöglicht.
Dieser Beitrag schlägt ein konzeptionelles und operatives Definitionsrahmenwerk vor, das die oft unklare Grenze zwischen KI-Modellen und KI-Systemen auflöst, um die Zuweisung regulatorischer Pflichten entlang der KI-Wertschöpfungskette zu präzisieren.
LWM-Temporal ist ein neuer, aufgabenunabhängiger Basis-Modell-Ansatz für drahtlose Kanäle, der durch eine physikalisch ausgerichtete, sparse spatio-temporale Aufmerksamkeit und ein selbstüberwachtes Vortraining mit physikbasiertem Maskierungscurriculum universelle, geometrie-konsistente Kanal-Embeddings lernt, die insbesondere bei langen Vorhersagehorizonten und begrenzten Fine-Tuning-Daten signifikante Verbesserungen gegenüber bestehenden Methoden erzielen.
Die Arbeit stellt HTM-EAR vor, ein hierarchisches Tiered-Memory-System mit hybrider Routing-Strategie und bewusster Verdrängung, das unter Sättigungsbedingungen durch den Erhalt wichtiger Informationen und gezieltes Vergessen veralteter Fakten die Abfragepräzision signifikant verbessert.
Die Arbeit stellt Tureis vor, eine selbstüberwachte, Transformer-basierte Methode, die in Smart-Home-Umgebungen mit mehreren Bewohnern und gleichzeitigen Sensorausfällen eine präzise Fehlererkennung und -lokalisierung ohne manuelle Kennzeichnung ermöglicht und dabei ressourcenschonend auf Edge-Geräten wie dem Raspberry Pi 5 läuft.
Die Studie zeigt, dass autonome Cyber-Angreifer-Agenten durch IP-Adressänderungen in ihrer Generalisierungsfähigkeit stark beeinträchtigt werden, wobei zwar promptgesteuerte LLM-Agenten die höchste Erfolgswahrscheinlichkeit aufweisen, dies jedoch auf Kosten von Rechenleistung, Transparenz und Zuverlässigkeit geht.
Die Studie zeigt, dass die Evaluierungsformate (z. B. Multiple-Choice vs. offen) einen größeren Einfluss auf gemessene Sicherheitswerte haben als die Scaffolding-Architekturen selbst, was universelle Sicherheitsaussagen unmöglich macht und eine kontextspezifische Prüfung pro Modell und Konfiguration erfordert.
Die vorgeschlagene Methode zur kontinuierlichen Lernfähigkeit in der menschlichen Aktivitätserkennung nutzt eine parametereffiziente, kanalweise gated Modulation eingefrorener vortrainierter Merkmale, um durch selektive Skalierung statt neuer Merkmalsgenerierung sowohl Stabilität gegen katastrophales Vergessen als auch Plastizität für neue Subjekte zu gewährleisten.