6997 Arbeiten
Diese Arbeit stellt einen einheitlichen Ansatz zur semantischen und panoptischen Segmentierung von Bildern und Videos vor, bei dem Masken durch Laufkodierung (RLE) diskretisiert und als Token-Sequenzen mittels eines modifizierten Pix2Seq-Modells autoregressiv generiert werden.
Das Paper stellt EmoOmni vor, ein einheitliches Framework für Omni-Modell-LLMs, das durch die Einführung einer emotionalen Chain-of-Thought (E-CoT) und eines zugehörigen Datensatzes sowie Benchmarks die präzise emotionale Analyse und Ausdrucksfähigkeit in multimodalen Dialogen verbessert.
CryoNet.Refine ist ein auf einem einstufigen Diffusionsmodell basierendes Deep-Learning-Framework, das die automatische und schnelle Verfeinerung von Protein- sowie DNA/RNA-Protein-Komplexen mittels Cryo-EM-Dichtekarten ermöglicht und dabei sowohl die Übereinstimmung mit den experimentellen Daten als auch die geometrische Qualität gegenüber herkömmlichen Methoden wie Phenix.real_space_refine signifikant verbessert.
Diese Arbeit untersucht, wie KI-Agenten mit spezialisierten Fähigkeiten durch das Konzept des „Vibe Researching" die Sozialwissenschaften nicht ersetzen, sondern durch eine kognitive Delegation von Aufgaben ergänzen, die trotz ihrer Stärken in Geschwindigkeit und Methodik weiterhin menschliche theoretische Originalität und implizites Feldwissen erfordert.
Die Studie zeigt, dass die Diskrepanz zwischen Ärzten bei der Bewertung medizinischer KI hauptsächlich strukturell bedingt ist und sich zwar durch das Schließen von Informationslücken in Randfällen, nicht aber durch die Beseitigung inhärenter medizinischer Unsicherheiten reduzieren lässt.
Das Paper stellt WISER vor, ein training-freies Framework für das Zero-Shot Composed Image Retrieval, das durch eine adaptive Fusion von Text- und Bild-basierten Suchpfaden sowie einen verifizierenden Verfeinerungsprozess die Stärken beider Ansätze kombiniert und damit den aktuellen Stand der Technik deutlich übertrifft.
Die Arbeit stellt PackUV vor, eine neuartige 4D-Gaussian-Repräsentation, die durch eine temporalkonsistente Anpassung in strukturierte UV-Atlanten eine effiziente Kompression und Kompatibilität mit Standard-Video-Codecs ermöglicht, während sie gleichzeitig die Rekonstruktionsqualität bei langen Sequenzen und großen Bewegungen verbessert.
Diese Arbeit zeigt, dass die Formulierung von generalisierter Planung als Lernproblem für explizite Übergangsmodelle, die Weltzustände autoregressiv vorhersagen, im Vergleich zu direkten Aktionssequenzvorhersagen eine bessere Out-of-Distribution-Generalisierung bei deutlich geringerem Daten- und Modellbedarf ermöglicht.
Die Arbeit stellt HART vor, ein annotierungsfreies Framework, das Large Multimodal Models durch eine verstärkende Lernmethode namens AP-GRPO befähigt, ohne externe visuelle Labels hochauflösende Eingaben effizient zu analysieren und präzise Schlüsselregionen für das visuelle Reasoning zu lokalisieren.
Die Arbeit stellt PEPA vor, ein dreischichtiges kognitives Architekturkonzept für einen körperlichen Agenten, der durch integrierte Persönlichkeitsmerkmale persistente Autonomie erreicht, indem er selbstständig Ziele generiert und sich ohne externe Vorgabe in dynamischen Umgebungen verhält.
Die Arbeit stellt Infinite Self-Attention (InfSA) und dessen lineare Variante Linear-InfSA vor, die durch eine spektrale Umformulierung als Neumann-Reihe über Token-Graphen den quadratischen Rechenaufwand von Softmax-Attention umgehen, skalierbare Vision-Transformer mit bis zu 332.000 Tokens ermöglichen und dabei auf ImageNet-1K eine um 3,2 Prozentpunkte höhere Genauigkeit sowie eine 13-fach bessere Energieeffizienz im Vergleich zu herkömmlichen Modellen erreichen.
Das Paper stellt WildActor vor, ein Framework zur Erzeugung von Videos mit konsistenten menschlichen Identitäten unter beliebigen Blickwinkeln und Bewegungen, das auf dem großen Datensatz Actor-18M basiert und durch einen asymmetrischen Identitätserhaltungs-Attention-Mechanismus sowie eine viewpoint-adaptive Monte-Carlo-Sampling-Strategie bestehende Methoden in Bezug auf Ganzkörper-Konsistenz übertrifft.
Dieses Positionspapier fordert, dass die Evaluierung moderner visueller Verarbeitungssysteme weg von einer rein metrikzentrierten hin zu einer menschenzentrierten, kontextbewussten und feinkörnigen Bewertung orientiert werden sollte, um die Kluft zwischen objektiven Qualitätsmaßen und menschlicher Wahrnehmung zu überbrücken.
Dieser Workshop stellt den Entwurfsansatz „nachhaltige Fürsorge" vor, um Technologien zu entwickeln, die Kinder langfristig an sozialen Themen beteiligen, ohne sie durch Angst oder Ohnmacht zu überfordern.
Die Arbeit stellt DeAR vor, einen Rahmen zur feinkörnigen Anpassung von Vision-Language-Modellen, der durch die Zerlegung der Rollen von Aufmerksamkeitsköpfen und die Einführung einer rollenbasierten Maskierung die Balance zwischen Aufgabenanpassung und Erhaltung der Null-Shot-Generalisierung verbessert.
Diese Studie entwickelt einen auf einem Jahr Betriebsdaten validierten Digitalen Zwilling des Flüssigkühlungssystems des Frontier-Supercomputers, um zu zeigen, dass eine kombinierte Optimierung von Durchflussmenge und Zuleitungstemperatur unter Berücksichtigung von Aktorbeschränkungen bis zu 27,8 % Energieeinsparungen ermöglicht, was deutlich über den Ergebnissen einer reinen Durchflussoptimierung liegt.
Dieser technische Bericht erweitert die empirische Validierung des Explainability Solution Space (ESS) durch eine domänenübergreifende Evaluation, die dessen Generalisierbarkeit als operatives Entscheidungsunterstützungsinstrument für die Gestaltung von erklärbarer KI-Strategie in sozio-technischen Systemen bestätigt.
Diese Arbeit entwickelt und bewertet statische sowie adaptive Scheduling-Verfahren für energieeffiziente optische LEO-Satelliten-Downlinks, wobei sich zeigt, dass adaptive Techniken zwar eine höhere Zustellrate unter dynamischen Wetterbedingungen bieten, jedoch auf Kosten einer erhöhten Komplexität und Rechenleistung an Bord gehen.
HarmonyCell ist ein end-to-end Agenten-Framework, das durch eine LLM-gesteuerte semantische Vereinheitlichung und einen adaptiven Monte-Carlo-Baumsuch-Algorithmus die Modellierung von Einzelzell-Perturbationen unter semantischen und distributionellen Verschiebungen automatisiert und dabei sowohl die Ausführungsfähigkeit als auch die Leistung gegenüber Experten-basierten Baselines signifikant verbessert.
Diese Arbeit stellt einen neuartigen, von großen Sprachmodellen (LLMs) gesteuerten geschlossenen Regelkreis vor, der durch semantische Optionserkennung die Dateneffizienz, Interpretierbarkeit und Übertragbarkeit von Deep Reinforcement Learning verbessert, was in Experimenten mit Office World und Montezuma's Revenge bestätigt wurde.