6144 Arbeiten
Dieser Artikel stellt ein kognitiv flexibles Steuerungsframework vor, das durch eine Online-Anpassung latenter Repräsentationen innerhalb eines Bayesianischen MPC-Schemas Sicherheitsgarantien und Stabilität auch bei abrupten Änderungen der Systemdynamik und Sensorbedingungen gewährleistet.
Die Arbeit stellt Green-VLA vor, ein fünfstufiges Vision-Language-Action-Framework, das durch eine skalierbare Datenpipeline, ein einheitliches Aktionsinterface für verschiedene Roboterembodiments und Reinforcement-Learning-Alignment eine robuste Generalisierung und hohe Leistungsfähigkeit für den realen Einsatz von humanoiden Robotern und anderen Manipulatoren ermöglicht.
Die Studie stellt mit SIM-VAIL ein neues Auditierungsframework vor, das systematisch aufdeckt, wie KI-Chatbots durch sogenannte „Vulnerability-Amplifying Interaction Loops" (VAILs) psychische Vulnerabilitäten bei Nutzern über mehrere Gesprächsrunden hinweg verstärken können, und unterstreicht damit die Notwendigkeit multidimensionaler Sicherheitsbewertungen im Bereich der mentalen Gesundheit.
Das Paper stellt AgenticLab vor, eine modellunabhängige Plattform und Benchmark für reale Roboter, die die Lücke zwischen Vision-Language-Modellen und zuverlässiger, geschlossener Manipulation in unstrukturierten Umgebungen schließt und dabei kritische Fehlermodi aufdeckt, die in statischen Tests unentdeckt bleiben.
Diese Studie zeigt, dass die GPU-Beschleunigung von 5G-LDPC-Decodierung auf kompakten Edge-Plattformen die Durchsatzleistung erheblich steigert und die CPU-Last reduziert, wodurch die Einhaltung strenger Latenzanforderungen für ultra-zuverlässige Fahrzeugkommunikation unter realistischen Randbedingungen ermöglicht wird.
Die Studie stellt FSTab vor, einen Black-Box-Ansatz zur Vorhersage und Quantifizierung wiederkehrender Sicherheitslücken in von LLMs generierter Software, der auf Basis beobachtbarer Frontend-Features und des verwendeten Modells bis zu 94 % Angriffserfolge über verschiedene Anwendungsbereiche hinweg erzielt.
Das Paper stellt LMMRec vor, ein modellunabhängiges Framework, das Large Language Models nutzt, um feingranulare motivationsbasierte Empfehlungen durch die tiefgreifende Analyse von Text und Interaktionsdaten zu generieren und dabei signifikante Leistungsverbesserungen erzielt.
Die Studie zeigt, dass zwischen selbstberichteten und verhaltensbasierten Problemlösungskompetenzen keine signifikante Konvergenz besteht, was die Notwendigkeit unterstreicht, spielbasierte Assessments als ergänzende Methode in mehrstufigen Auswahlverfahren zu integrieren.
Diese Arbeit stellt einen stochastischen Ansatz zur bedingten Diffusionsgenerierung unter harten Randbedingungen vor, der auf der Doob-h-Transformation basiert und durch neue Off-Policy-Lernalgorithmen sowie nicht-asymptotische Garantien eine garantierte Erfüllung der Constraints ohne Modifikation des vortrainierten Score-Netzwerks ermöglicht.
Diese Studie zeigt, dass Mütter Large Language Models als nicht-wertende Ressource nutzen, um emotionale Unterstützung und Bestätigung bei elterlichen Entscheidungen zu erhalten und soziale Urteile zu vermeiden, wobei sie jedoch oft menschliche Wärme bevorzugen, während LLMs insbesondere in bestimmten familiären Kontexten als sichere Alternative dienen.
Das Paper stellt NAAMSE vor, ein evolutionäres Framework, das die Sicherheit von KI-Agenten durch einen feedbackgesteuerten Optimierungsprozess mit genetischer Prompt-Mutation und hierarchischer Korpus-Exploration bewertet, um adaptive Bedrohungen realistischer zu simulieren als statische Methoden.
PhysDrape ist ein hybrider neural-physikalischer Solver, der durch die Integration eines lernbaren Kraftsolvers und eines differentierbaren Projektionsmechanismus für Kollisionen eine physikalisch realistische und kollisionsfreie Stoffdrapierung in Echtzeit ermöglicht.
Die Arbeit stellt LLM4PQC vor, ein auf Feedback basierendes Framework, das mithilfe von Large Language Models Referenz-C-Codes für Post-Quanten-Kryptographie automatisch in synthetisierbaren HLS-Code umwandelt und durch mehrstufige Verifikation die manuelle Arbeitslast reduziert sowie die Hardware-Entwicklung beschleunigt.
Die Arbeit stellt FlowAdapt vor, einen parameter-effizienten Rahmen für die Domänenanpassung in der kooperativen V2X-Wahrnehmung, der auf Optimal-Transport-Theorie basiert und durch wasserstein-basierte Stichprobenziehung sowie progressive Wissensübertragung eine State-of-the-Art-Leistung mit nur 1 % trainierbarer Parameter erzielt.
Die Arbeit stellt SToRM vor, ein neuartiges Framework zur überwachierten Token-Reduktion in multimodalen Large Language Models, das die Rechenkosten für end-zu-end autonomes Fahren um bis zu das 30-fache senkt, ohne dabei die Leistung im Vergleich zur Verarbeitung aller visuellen Token zu beeinträchtigen.
Die Arbeit stellt AGPS vor, ein Framework, das die skalierbare robotische Reinforcement-Learning-Training durch den Ersatz menschlicher Betreuer durch einen multimodalen Agenten beschleunigt, der als semantisches Weltmodell fungiert und die Exploration durch präzise Korrekturen und räumliche Einschränkungen effizient steuert.
Die Arbeit M2RL analysiert und vergleicht die Trainingsparadigmen des gemischten Multi-Task-Reinforcement-Learning mit Verifizierbaren Belohnungen (RLVR) und des separaten Trainings mit nachfolgendem Modell-Merging für Large Language Models, wobei sie feststellt, dass domainspezifisches RLVR sich gegenseitig kaum beeinträchtigt und in rechenintensiven Bereichen synergistische Effekte zeigt.
Die Studie „SkillsBench" stellt ein Benchmark-System vor, das zeigt, dass kuratierte Agenten-Skills die Erfolgsrate von LLM-Agenten in 86 Aufgaben über 11 Domänen im Durchschnitt um 16,2 Prozentpunkte steigern, wobei selbstgenerierte Skills jedoch keinen Vorteil bieten und der Nutzen stark domänenspezifisch variiert.
Diese Arbeit stellt einen neuen Regelungsrahmen für lineare parameterabhängige Systeme mit zeitvariierenden Zustandsverzögerungen vor, der dynamische Integralquadratische Beschränkungen mit parameterabhängigen Lyapunov-Funktionen kombiniert, um einen verzögerungsabhängigen Zustandsregler zu entwerfen, der über konvexe LMI-Bedingungen eine garantierte Stabilität und verbesserte Leistung bei reduzierter Konservativität ermöglicht.
Diese Arbeit stellt einen neuartigen quantitativen Rahmen vor, der Code-Embeddings mit der Theorie der Meinungsdynamik verbindet, um die evolutionären Prozesse und impliziten Kollaborationsmuster in Open-Source-Softwareprojekten durch die Analyse von Entwicklerinteraktionen auf GitHub zu modellieren und zu verstehen.