5653 Arbeiten
Die vorgestellte Arbeit stellt SeLop vor, eine Methode zur Generalisierung von Gesichtsfälschungserkennung, die durch orthogonale Unterraum-Interventionen in einem niedrigrangigen Repräsentationsraum spurious Korrelationen eliminiert und so robuste, fälschungsspezifische Merkmale isoliert.
Die Studie schlägt einen zielorientierten Bewertungsansatz für Requirements-Engineering-Methoden im Rahmen von Privacy by Design vor, um Organisationen bei der Auswahl passender Methoden zur Umsetzung der DSGVO zu unterstützen.
Die Arbeit stellt CovertComBench vor, einen spezialisierten Benchmark zur Bewertung von LLMs in der drahtlosen verdeckten Kommunikation, der zeigt, dass diese Modelle zwar bei Konzepten und Code stark sind, jedoch bei den für Sicherheitsgarantien erforderlichen mathematischen Herleitungen erhebliche Defizite aufweisen.
Die Studie stellt einen schwach überwachten Framework vor, der durch ein Patch-level-Pretraining auf groben Labels die robuste Erkennung und Zählung von Karibus in komplexen arktischen Umgebungen ermöglicht und dabei die Leistungsfähigkeit gegenüber herkömmlichen Initialisierungen signifikant verbessert.
Die Arbeit schlägt eine generalisierbare Methode zur Erkennung von KI-generierten Bildern vor, die darauf basiert, reale Bilder mit den finalen Komponenten verschiedener Generatoren zu „kontaminieren" und einen Detektor zu trainieren, der diese Manipulationen selbst bei bisher unbekannten Modellen mit einer durchschnittlichen Genauigkeit von 98,83 % zuverlässig identifiziert.
Die Arbeit stellt mit RegionReasoner ein Reinforcement-Learning-Framework und den zugehörigen Benchmark RegionDial-Bench vor, die durch erzwungene Verankerung von Schlussfolgerungen in Bounding-Boxen sowie einen global-lokalen Konsistenz-Preis die mehrstufige visuelle Schlussfolgerung, die räumliche Verankerung und die semantische Kohärenz in großen Vision-Sprach-Modellen signifikant verbessern.
Die Arbeit beweist, dass die Konversionsregel, die auf dem Schnitt der RDP-Privatsphärenregionen basiert, die optimale und nicht weiter verbesserbare Methode ist, um aus Rénýi-Differentialprivacy-Garantien die schärfstmöglichen -Differentialprivacy-Grenzen abzuleiten.
Die Arbeit stellt eine trainingsfreie Methode namens Test-Time Correction (TTC) vor, die durch die Kalibrierung stochastischer Zustände anhand des ersten Frames die Fehlerakkumulation bei der autoregressiven Generierung langer Videos in Echtzeit effektiv reduziert und dabei die Qualität trainingsbasierter Ansätze erreicht.
Das 26 Gramm schwere, schmetterlingsinspirierte Robotersystem „AirPulse" demonstriert erstmals den autonomen, geschlossenen Regelkreis-Flug einer schwanzlosen Plattform durch Nachahmung biologischer Flügelschläge und eine hierarchische Steuerungsarchitektur, die stabile Manöver in einem bisher kaum erforschten aerodynamischen Regime ermöglicht.
Die Arbeit stellt TCMax vor, eine hyperparameterfreie Methode zur multimodalen Klassifizierung, die durch die Maximierung der totalen Korrelation zwischen Merkmalen und Labels mittels TCNE Modality-Konkurrenz überwindet und damit den Stand der Technik in Bezug auf Genauigkeit übertrifft.
Diese kritische Übersichtsarbeit analysiert die aktuelle Forschung zur Beziehung zwischen LGBTQIA+-Gemeinschaften und NLP-Technologien, identifiziert bestehende Lücken und Verzerrungen sowie einen überwiegend reaktiven Forschungsansatz und fordert als Aufruf zum Handeln eine proaktivere, intersektionale und inklusivere Entwicklung gerechterer NLP-Systeme.
Der Artikel stellt den Vererbungs-Kalkül vor, ein auf drei Primitiven basierendes, deklaratives Fundament, das durch die Modellierung von Vererbung als Mengenvereinigung das Problem der Mehrfachvererbung löst und eine streng ausdrucksstärkere Semantik als der -Kalkül bietet.
Diese Arbeit stellt ein Meta-Spiel-Design vor, das die Entstehung algorithmischer Absprachen unter Testzeit-Bedingungen untersucht, indem es vortrainierte Strategien mit Anpassungsregeln kombiniert und deren Verhalten in wiederholten Preiswettbewerben mit Hilfe von empirischen Spielanalysen bewertet.
Die Arbeit stellt TCA-T2M vor, ein Framework für die Text-zu-Bewegungs-Generierung, das durch einen temporal konsistenzbewussten räumlichen VQ-VAE, einen maskierten Motion-Transformer und kinematische Constraints realistische, physikalisch plausible und semantisch ausgerichtete Bewegungssequenzen erzeugt und damit den State-of-the-Art auf den Benchmarks HumanML3D und KIT-ML erreicht.
Die Arbeit stellt ChimeraLoRA vor, eine Methode, die durch die Kombination eines klassengeteilten LoRA-Adapters mit per-Bild-LoRAs und einer semantischen Verstärkung mittels Bounding-Box-Erhaltung synthetische Datensätze erzeugt, die sowohl vielfältig als auch detailreich sind und so die Genauigkeit von Few-Shot-Klassifikationsmodellen verbessern.
Die Arbeit stellt DOCFORGE-BENCH vor, das erste Zero-Shot-Benchmark für die Erkennung von Dokumentenfälschungen, das zeigt, dass bestehende Methoden aufgrund einer massiven Kalibrierungsproblematik bei der Schwellenwertwahl und nicht aufgrund mangelnder Diskriminierungsfähigkeit in realen Szenarien versagen.
Die Arbeit stellt die Multimodal Adversarial Quality Policy (MAQP) vor, ein Framework zur sicheren visuellen Greifsteuerung von Robotern, das durch eine heterogene Dual-Patch-Optimierung und eine gradientenbasierte Modalitätsausgewogenheit die Sicherheitsrisiken von Deep-Learning-Modellen in der Mensch-Roboter-Interaktion effektiv reduziert.
Die Arbeit beweist erstmals die NP-Härte des approximativen Covering-Radius-Problems für Gitter in der -Norm für explizite Werte von und zeigt, dass der Approximationsfaktor asymptotisch gegen $9/8$ konvergiert.
Dieses Paper stellt ein produktionsreifes semantisches Suchsystem für Uber Eats vor, das durch Feinabstimmung eines Qwen2-Modells auf großen Datensätzen, den Einsatz von Matryoshka-Repräsentationslernen und eine kombinierte Verlustfunktion eine einheitliche und mehrsprachige Suche über Restaurants, Gerichte und Lebensmittelgeschäfte hinweg ermöglicht und dabei die Rückrufquote in mehreren Märkten signifikant verbessert.
Diese Arbeit stellt die Hybrid Residue Floating Numerical Architecture (HRFNA) vor, eine neuartige numerische Architektur für FPGAs, die durch die Kombination von residueller Arithmetik und Exponenten-Skalierung hohe Durchsatzraten und Energieeffizienz bei formal nachweisbaren Fehlergrenzen erreicht.