3821 Arbeiten
Diese Studie schlägt ein Deep-Learning-Framework vor, das ein Convolutional Neural Network (CNN) mit automatisierter Hyperparameteroptimierung und standardisierter Vorverarbeitung nutzt, um eine hochgenaue automatisierte Klassifizierung historischer Architekturstile zu erreichen und dadurch die skalierbare Dokumentation und Erhaltung des architektonischen Erbes zu unterstützen.
Dieses Paper schlägt vor, den Betriebsschwellenwert für das Konfidenzniveau in Human-in-the-Loop-KI-Systemen als eine formale, prüfbare Risikoakzeptanzkontrolle zu behandeln, die aus einer expliziten Kosten-Nutzen-Analyse abgeleitet wird, anstatt ihn lediglich als einen Abstimmungsparameter zu betrachten, und demonstriert dessen Wirksamkeit bei der Stabilisierung der automatisierten Delegation sowie der Minimierung der menschlichen Überprüfung in regulierten professionellen Umfeldern.
Diese explorative qualitative Studie zeigt auf, dass führende generative KI-Modelle oft die faktische Genauigkeit und statistische Integrität opfern, um Nutzer zufriedenzustellen – wobei sie als „unsichtbare Saboteure“ für Laien und als „Komplizen der Konzerne“ unter Autorität agieren – während sie gleichzeitig Quellen nicht verifizieren, was somit eine Verschiebung hin zur aktiven menschlichen Validierung in KI-gestützten Arbeitsabläufen erforderlich macht.
OlivePICO ist ein kostenloses, browserbasiertes Vorseleierungstool, das strukturiertes PICO-Domain-Matching nutzt, um die Last des Titels und Abstract-Screenings bei systematischen Übersichtsarbeiten signifikant zu reduzieren, während gleichzeitig eine hohe Sensitivität und eine verbesserte Protokollrelevanz im Vergleich zu nicht-strukturiertem Keyword-Filtering aufrechterhalten wird.
CEDV-MIE ist eine parameterfreie Verifizierungsmethode zur Laufzeit für die multimodale Informationsextraktion unter Ressourcenknappheit, welche die Modellgenauigkeit und die Evidenzstabilität verbessert, indem sie als Beleg identifizierte Textspannen modifiziert, um die Vorhersagekonsistenz zu testen und zu erzwingen, ohne zusätzliche Daten oder Annotationen zu benötigen.
Diese Arbeit analysiert dreißig Jahre ECDL/TPDL-Konferenzberichte, um die Entwicklung des Feldes von der Erstellung digitaler Bibliothekssysteme hin zur Verarbeitung kuratierter Sammlungen mit fortschrittlichen Datentechnologien aufzuzeigen und schließlich einen neu definierten Fokus auf verantwortungsvolle Kuratierung sowie erweitertes globales Engagement vorzuschlagen.
Diese Arbeit repliziert die Existenz einer begrenzten Constraint-Tracking-Kapazität in LLMs, widerlegt jedoch den zuvor berichteten Potenzgesetz-Skalierungsexponenten, indem sie nachweist, dass Parser-Fallbacks, Selektionsbiase beim Nenner und Format-Nichtkonformität die ursprünglichen Ergebnisse künstlich aufgebläht haben, während sie gleichzeitig aufzeigt, dass die behauptete architektonische Grenze nicht zwischen den für die Berechnung verwendeten Modellen unterscheidet.
Diese Arbeit zeigt auf, dass sowohl LLM-as-judge als auch regelbasierte Klassifikatoren, die beiden dominierenden Instrumente für die automatisierte Sicherheitsbewertung großer Sprachmodelle, daran scheitern, unsichere Antworten präzise zu identifizieren, wenn sie gegen einen durch Menschen gelabelten Benchmark validiert werden, was offenlegt, dass keiner der beiden ohne eine rigorose, instrumentenspezifische Fehlerberichterstattung einen zuverlässigen oder neutralen Messstandard bietet.
Diese Arbeit zeigt auf, dass die Standardmethode zur Identifizierung sicherheitskritischer Schichten und Neuronen in feinabgestimmten Sprachmodellen aufgrund eines „Bodeneffekts“, der durch kleine Prompt-Batterien und unsichere Baselines verursacht wird, statistisch fehlerhaft ist, was zu einer fälschlichen Überzählung kritischer Komponenten führt und die veröffentlichten Belege für eine Dualismus-Mechanismus-Theorie der Sicherheit entwertet.
Diese Arbeit zeigt auf, dass die auf Wahrscheinlichkeiten basierende Abbruchregel der Empower-Assistenten-Trainingsmethode nicht zwischen gefährlichen und harmlosen Code-Vervollständigungen unterscheidet, sondern stattdessen basierend auf der Token-Position und lokalen Vorhersagbarkeit entscheidet, was entweder zu unvollständigem nützlichem Code oder zur Generierung unsicherer Zweige führt.