6933 Arbeiten
Die vorgestellte Arbeit führt den Generalized Per-Agent Advantage Estimator (GPAE) ein, ein neuartiges Framework für das Multi-Agenten-Reinforcement-Learning, das durch eine per-Agenten-Wertiteration und ein doppeltes abgeschnittenes Importance-Sampling-Verfahren die Stichprobeneffizienz und Koordination in komplexen Szenarien verbessert, ohne direkte Q-Funktionsschätzungen zu benötigen.
Die Arbeit stellt einen Framework für die robuste und überprüfbare Bewertung logischer Reasoning-Agenten vor, der in einer Fallstudie zeigt, dass ein Auto-Formalisierung-Agent für FOL-Reasoning auf Basis von Z3Py mit 86,70 % Genauigkeit einen Chain-of-Thought-Baseline (73,89 %) auf dem bereinigten FOLIO-Datensatz übertrifft.
Diese Arbeit stellt das Required-edge Cycle Cover Problem (RCCP) als einen neuen ASP-Vollständigkeitsrahmen für Graphprobleme und Rätsel vor, der nicht nur die ASP-Vollständigkeit von Kakuro für die Ziffernmenge {1, 2, 3} nachweist und ein offenes Problem der MIT Hardness Group löst, sondern auch die ASP-Vollständigkeit zahlreicher weiterer Rätsel wie Chocona und Hinge beweist.
Das Paper stellt Mica vor, eine Architektur für vertrauliches Computing auf Basis von Arm CCA, die durch die Entkopplung von Vertraulichkeit und Vertrauen sowie die Einführung einer Policy-Sprache zur Attestierung von Kommunikationspfaden sichere Workflows über nicht vertrauenswürdige Komponenten hinweg ermöglicht.
Die Arbeit stellt LDP-Slicing vor, ein effizientes, trainingsfreies Framework, das durch die Zerlegung von Bildern in Bit-Ebenen und eine optimierte Budgetverteilung den Einsatz von lokaler Differentialprivatsphäre für Bilddaten ermöglicht und dabei die Nutzbarkeit für nachgelagerte Aufgaben im Vergleich zu bestehenden Methoden erheblich verbessert.
Die Arbeit stellt RISCBench vor, einen Benchmark und eine Methodik zur Quantifizierung der Orchestrierungseffizienz von RISC-V-Kernen in heterogenen Systemen mittels der neu eingeführten Metrik „Sustained Instantaneous Throughput" (SIT), um die oft vernachlässigten Trade-offs bei Synchronisation und Datenresidenz über reine Spitzenleistungsmetriken hinaus zu bewerten.
Diese Studie bietet eine experimentelle Überprüfung von Algorithmen zur Konvertierung binärer Gleitkommazahlen in kürzeste Dezimalstrings, wobei neuere Methoden wie Schubfach und Dragonbox eine bis zu zehnfache Geschwindigkeitssteigerung gegenüber klassischen Ansätzen wie Dragon4 aufweisen, jedoch oft keine optimal kurzen Ausgaben liefern und Standardbibliotheken in Sprachen wie C++ und Swift deutlich ineffizienter sind.
Diese Design-Research-Studie stellt die GSI D-Hub-Plattform vor, die mittels erklärbarer künstlicher Intelligenz und synthetischer Datenpipelines Informationsasymmetrien zwischen Akteuren der globalen Entwicklung reduziert und so vertrauenswürdige, datengestützte Ökosysteme für transparente Zusammenarbeit ermöglicht.
Die Studie zeigt, dass die Anfälligkeit von Migranten aus dem subsaharischen Afrika für KI-gestützte Betrugsmaschen primär durch frühere Zielgruppenansprache bestimmt wird, während das Selbstvertrauen im Erkennen von KI-Inhalten und ein hohes Maß an Verifikationsbemühungen als wesentliche Schutzfaktoren wirken.
Dieser Artikel stellt einen „Ethics-by-Design"-Ansatz vor, der durch eine dreistufige Gate-Struktur (Metrik, Governance, Ökologie) ethische Prinzipien in messbare, durchsetzbare Kontrollmechanismen für den gesamten KI-Lebenszyklus übersetzt und so eine praktische Verbindung zwischen philosophischen Normen und operativer Governance herstellt.
Diese Studie nutzt Kausalitätsanalysen, um nachzuweisen, dass Autoren aus Minderheiten, Frauen und Institutionen des Globalen Süden in akademischen Peer-Review-Prozessen signifikante Benachteiligungen erfahren, was die dringende Notwendigkeit von Fairness-Maßnahmen sowohl für traditionelle als auch KI-gestützte Begutachtungen unterstreicht.
Diese Arbeit stellt ein neuartiges Framework für die IBN-Orchestrierung in 5G- und 6G-Netzen vor, das eine hierarchische Multi-Agenten-Architektur nutzt und zeigt, dass Small Language Models (SLMs) im Vergleich zu Large Language Models (LLMs) bei gleicher Übersetzungspräzision die Gesamtabwicklungsgeschwindigkeit des IBN-Lebenszyklus um 20 % steigern können.
Die Arbeit stellt den ObjChangeVR-Datensatz und ein entsprechendes Framework vor, das durch viewpoint-aware und zeitbasierte Abrufmechanismen sowie eine übergreifende Sichtweisen-Integration die Herausforderung der Erkennung von Objektzustandsänderungen in VR-Umgebungen aus kontinuierlichen Egocentric-Ansichten effektiv löst.
Die Studie stellt einen neuen Rahmen zur margin-konsistenten Deep Subtyping von invasivem Lungenadenokarzinom vor, der durch die Einführung einer Störungs-Verlässlichkeitsbewertung (Perturbation Fidelity) und attention-basierter Aggregation die Robustheit und Genauigkeit bei der Klassifizierung von Ganzschnittbildern signifikant verbessert und dabei hohe AUC-Werte sowie eine bemerkenswerte Generalisierbarkeit über verschiedene Institutionen hinweg demonstriert.
Das Paper stellt PaLMR vor, ein Framework, das durch eine wahrnehmungsorientierte Datenschicht und eine prozessbewusste Optimierungsstrategie die visuelle Glaubwürdigkeit von Multimodal Large Language Models verbessert, indem es nicht nur das Endergebnis, sondern auch den gesamten Denkprozess an die visuellen Beweise anpasst.
Die vorgestellte Arbeit schlägt ein Digital-Twin-gestütztes Framework namens DAPR vor, das asynchrones Federated Learning, ein GRU-VAE-Vorhersagemodell und Deep Reinforcement Learning kombiniert, um die Client-Auswahl, die Genauigkeit der Inhaltsvorhersage und die dynamische Ressourcenallokation in der kooperativen Caching von Fahrzeug-Edge-Computing zu optimieren und somit die Cache-Trefferquote zu erhöhen sowie die Übertragungsverzögerung zu verringern.
Die Studie stellt FCBNet vor, einen parameter-effizienten Faltungsansatz mit einem eingefrorenen ConvNeXt-Rückgrat und einem Feature-Correction-Block, der bei der Unkrautsegmentierung in multispektralen Luftbildern sowohl eine hohe Genauigkeit (über 85 % mIoU) als auch eine deutliche Reduktion der trainierbaren Parameter und des Rechenaufwands im Vergleich zu bestehenden Modellen erreicht.
Das Paper stellt GameVerse vor, ein umfassendes Benchmark für Videospiele, das nachweist, dass Vision-Language-Modelle durch einen reflektierenden Lernansatz mit Videoanalysen von Fehlern und Tutorials ihre Spielstrategien verbessern können.
Die Arbeit stellt ASMIL vor, ein einheitliches Framework für das multiple Instanzlernen in der Ganzschliffbildanalyse, das durch einen Anker-Modellansatz, eine normalisierte Sigmoid-Funktion und zufälliges Token-Dropping Instabilitäten, Überanpassung und übermäßige Konzentration der Aufmerksamkeit überwindet und damit die Leistungsfähigkeit bestehender Methoden signifikant steigert.
Dieses Kapitel untersucht das Potenzial generativer KI, die Wissenschaftskompetenz im K-16+-Bildungsbereich zu stärken, indem es eine kohärente Architektur für Lehre, Lernen und Bewertung entwickelt, die sowohl die neuen Anforderungen an die Wissenschaftskompetenz in der KI-Ära als auch die damit verbundenen konzeptionellen und praktischen Herausforderungen adressiert.