6947 Arbeiten
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.
Die Arbeit stellt Graph-of-Mark (GoM) vor, eine neuartige pixelbasierte visuelle Prompting-Technik, die durch das Überlagern von Szenengraphen auf Eingabebilder die räumliche Schlussfolgerung multimodaler Sprachmodelle signifikant verbessert und dabei die Genauigkeit bei Null-Shot-Aufgaben um bis zu 11 Prozentpunkte steigert.
Diese Arbeit stellt ein systemweites Inferenz-Optimierungskonzept für DiT-basierte Videogenerierungsmodelle vor, das durch die Einführung einer sequenzparallelen Variante der kausalen Rotary-Positional-Embeddings (Causal-RoPE SP) sowie durch Operator-Fusion und Vorberechnung den Speicherbedarf und die Latenz drastisch reduziert und damit Echtzeit-Anwendungen ermöglicht.
Die Studie zeigt, dass Chain-of-Thought-Prompting bei medizinischen visuellen Fragestellungen häufig schlechter abschneidet als direkte Antworten, da ein medizinischer Wahrnehmungsengpass die visuelle Verankerung schwächt, was durch trainingsfreie Eingriffe wie „Perception Anchoring" und „Description Grounding" effektiv behoben werden kann.
Die Arbeit stellt SJD-PV vor, ein trainingsfreies Beschleunigungsframework für autoregressive Bildgenerierung, das durch die phrasenweise Verifikation häufig zusammen auftretender visueller Tokens die Inferenzgeschwindigkeit um bis zu 30 % steigert, ohne die Bildqualität zu beeinträchtigen.
Die Autoren demonstrieren auf AMD/Xilinx RFSoC-basierten Software-defined Radios ein vollständig vernetztes Mesh-System aus vier Drohnen, das über zwölf gleichzeitige 2x2-MIMO-Links eine aggregierte Datenrate von 1,2 Gbps erreicht und dabei Echtzeit-4K-Videostreams ohne Komprimierung unterstützt.
Die Studie stellt SDN-SYN PoW vor, eine adaptive Verteidigungsarchitektur, die Software-Defined Networking mit nicht-interaktiven Proof-of-Work kombiniert, um SYN-Flut-Angriffe im Multi-Domain-Bereich durch dynamische, kontextabhängige Schwierigkeitsanpassung effektiv abzuwehren, ohne legitime Clients zu belasten.
Die Arbeit stellt SIL-GPO vor, einen auf Graph-Attention-Netzwerken und Selbst-Imitationslernen basierenden Reinforcement-Learning-Ansatz, der die Orchestrierung von Edge-AI-Mikrodiensten durch gleichzeitige Optimierung von Bereitstellung und Routing unter ressourcenbeschränkten Bedingungen effizienter gestaltet als bestehende Methoden.