7243 Arbeiten
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.
Diese Arbeit stellt DARIO vor, ein O-RAN-konformes Framework, das mithilfe von Stochastischer Netzwerkrechnung und einem Heuristik-Algorithmus Reconfigurable Intelligent Surfaces (RIS) dynamisch zuweist, um die Verzögerung in 6G-Netzen für latenzkritische Anwendungen signifikant zu reduzieren.
Diese Arbeit stellt einen effizienten Rahmen vor, der Graph Neural Networks mit strukturierter Modellprädiktiver Regelung kombiniert, um hochdimensionale Systeme wie weiche Roboter in Echtzeit mit hoher Genauigkeit und Skalierbarkeit zu steuern.
Die Arbeit stellt 3DMedAgent vor, einen einheitlichen Agenten, der es multimodalen Großsprachmodellen ermöglicht, komplexe 3D-CT-Analysen durch die Koordination heterogener Werkzeuge und ein langfristiges strukturiertes Gedächtnis ohne spezifische 3D-Feinabstimmung erfolgreich durchzuführen.
Die Arbeit stellt OVerSeeC vor, ein modularer Zero-Shot-Rahmen, der große Sprachmodelle und offene Vokabular-Segmentierung kombiniert, um aus Satellitenbildern und natürlichen Sprachanweisungen anpassungsfähige globale Kostenkarten für die autonome Navigation zu generieren.
Diese Arbeit zeigt anhand von Bluetooth Low Energy, dass bei der Post-Quantum-Schlüsselvereinbarung in drahtlosen Low-Power-Netzwerken die Kommunikationskosten oft die Rechenkosten dominieren, was eine koordinierte Protokolloptimierung für energieeffiziente Quantensicherheit erfordert.
Die Arbeit stellt ABD vor, einen Benchmark zur Bewertung der Fähigkeit von Sprachmodellen, in endlichen ersten Ordnungs-Welten durch das Ableiten sparsamer Ausnahmeregeln die Satisfiabilität von Theorien wiederherzustellen, und zeigt dabei trotz hoher Validität signifikante Defizite in der Sparsamkeit und Generalisierung auf.
Die Autoren stellen ein neues Forschungssetting namens Open-Vocabulary Domain Generalization in Semantic Segmentation (OVDG-SS) vor, das durch die Einführung eines ersten Benchmarks für autonomes Fahren und die Entwicklung der Methode S2-Corr zur Korrektur von Text-Bild-Korrelationen die Robustheit von Segmentierungsmodellen gegenüber sowohl unbekannten Domänen als auch unbekannten Kategorien in urbanen Szenarien sicherstellt.
Die Arbeit stellt INDUCTION vor, ein Benchmark für die Synthese von Konzepten in der Prädikatenlogik erster Stufe auf endlichen Strukturen, das die Fähigkeit aktueller Modelle zur Generalisierung und zur Vermeidung übermäßiger Formelkomplexität in verschiedenen Szenarien evaluiert.
Das Paper stellt SKYLIGHT vor, eine skalierbare 3D-photoni sche In-Memory-Tensor-Core-Architektur, die durch ihre innovative Topologie, Wellenlängenmultiplexing-Komponenten und nichtflüchtige Gewichte energieeffiziente Echtzeit-AI-Inferenz sowie lokale Lernverfahren ermöglicht und dabei die Leistung herkömmlicher GPU-Lösungen übertrifft.
Das Paper stellt UniMatch vor, ein semantikbewusstes Framework, das durch eine zweistufige, grob-zu-feine Methode mit Sprachunterstützung und kontrastivem Lernen dichte semantische Korrespondenzen zwischen stark nicht-isometrischen 3D-Objekten beliebiger Kategorien ermöglicht.
Diese Arbeit argumentiert, dass iCloud Drive aufgrund einer fundamentalen Kategorienverwechslung, bei der ein verteilter kausaler Graph fälschlicherweise auf eine lineare Zeitachse projiziert wird, mit POSIX-konformen Workflows und Tools wie Time Machine oder Git unvereinbar ist, und schlägt als Lösung die physikalisch fundierten, reversiblen Transaktionssemantiken von Open Atomic Ethernet vor.