cs Arbeiten | Gist.Science

Vulnerability-Amplifying Interaction Loops: a systematic failure mode in AI chatbot mental-health interactions

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.

Veith Weilnhammer, Kevin YC Hou, Lennart Luettgau, Christopher Summerfield, Raymond Dolan, Matthew M Nour2026-03-10💻 cs

AgenticLab: A Real-World Robot Agent Platform that Can See, Think, and Act

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.

Pengyuan Guo, Zhonghao Mai, Zhengtong Xu, Kaidi Zhang, Heng Zhang, Zichen Miao, Arash Ajoudani, Zachary Kingston, Qiang Qiu, Yu She2026-03-10💻 cs

Six Times to Spare: Characterizing GPU-Accelerated 5G LDPC Decoding for Edge-RSU Communications

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.

Ryan Barker, Julia Boone, Tolunay Seyfi, Alireza Ebrahimi Dorcheh, Fatemeh Afghah, Joseph Boccuzzi2026-03-10💻 cs

Extracting Recurring Vulnerabilities from Black-Box LLM-Generated Software

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.

Tomer Kordonsky, Maayan Yamin, Noam Benzimra, Amit LeVi, Avi Mendelson2026-03-10💻 cs

LMMRec: LLM-driven Motivation-aware Multimodal Recommendation

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.

Yicheng Di, Zhanjie Zhang, Yun Wang, Jinren Liu, Jiaqi Yan, Jiyu Wei, Xiangyu Chen, Yuan Liu2026-03-10💻 cs

Assessing Problem-Solving in HR Contexts: A Comparison Between Game-Based and Self-Report Measures

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.

Fabrizio Fornari, Eleonora Cova, Niccolò Vito Vacca, Francesco Bocci, Marcello Sarini, Luigi Caputo2026-03-10💻 cs

Conditional Diffusion Guidance under Hard Constraint: A Stochastic Analysis Approach

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.

Zhengyi Guo, Wenpin Tang, Renyuan Xu2026-03-10💻 cs

Beyond Judgment: Exploring Large Language Models as Non-Judgmental Support for Maternal Mental Health

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.

Shayla Sharmin, Sadia Afrin Ratna2026-03-10💻 cs

NAAMSE: Framework for Evolutionary Security Evaluation of Agents

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.

Kunal Pai, Parth Shah, Harshil Patel2026-03-10💻 cs

PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping

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.

Minghai Chen, Mingyuan Liu, Ning Ma, Jianqing Li, Yuxiang Huan2026-03-10💻 cs

LLM4PQC - Accurate and Efficient Synthesis of PQC Cores by Feedback-Driven LLMs

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.

Buddhi Perera, Zeng Wang, Weihua Xiao, Mohammed Nabeel, Ozgur Sinanoglu, Johann Knechtel, Ramesh Karri2026-03-10💻 cs

Move What Matters: Parameter-Efficient Domain Adaptation via Optimal Transport Flow for Collaborative Perception

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.

Zesheng Jia, Jin Wang, Siao Liu, Lingzhi Li, Ziyao Huang, Yunjiang Xu, Jianping Wang2026-03-10💻 cs

SToRM: Supervised Token Reduction for Multi-modal LLMs toward efficient end-to-end autonomous driving

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.

Seo Hyun Kim, Jin Bok Park, Do Yeon Koo, Hogun Park, Il Yong Chun2026-03-10💻 cs

Accelerating Robotic Reinforcement Learning with Agent Guidance

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.

Haojun Chen, Zili Zou, Chengdong Ma, Yaoxiang Pu, Haotong Zhang, Yuanpei Chen, Yaodong Yang2026-03-10💻 cs

To Mix or To Merge: Toward Multi-Domain Reinforcement Learning for Large Language Models

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.

Haoqing Wang, Xiang Long, Ziheng Li, Yilong Xu, Tingguang Li, Yehui Tang2026-03-10💻 cs

SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks

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.

Xiangyi Li, Wenbo Chen, Yimin Liu, Shenghan Zheng, Xiaokun Chen, Yifeng He, Yubo Li, Bingran You, Haotian Shen, Jiankai Sun, Shuyi Wang, Binxu Li, Qunhong Zeng, Di Wang, Xuandong Zhao, Yuanli Wang, Roey Ben Chaim, Zonglin Di, Yipeng Gao, Junwei He, Yizhuo He, Liqiang Jing, Luyang Kong, Xin Lan, Jiachen Li, Songlin Li, Yijiang Li, Yueqian Lin, Xinyi Liu, Xuanqing Liu, Haoran Lyu, Ze Ma, Bowei Wang, Runhui Wang, Tianyu Wang, Wengao Ye, Yue Zhang, Hanwen Xing, Yiqi Xue, Steven Dillmann, Han-chung Lee2026-03-10💻 cs

State Feedback Control of State-Delayed LPV Systems using Dynamic IQCs

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.

Fen Wu2026-03-10💻 cs

Social Life of Code: Modeling Evolution through Code Embedding and Opinion Dynamics

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.

Yulong He, Nikita Verbin, Sergey Kovalchuk2026-03-10💻 cs

RIS Control through the Lens of Stochastic Network Calculus: An O-RAN Framework for Delay-Sensitive 6G Applications

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.

Oscar Adamuz-Hinojosa, Lanfranco Zanzi, Vincenzo Sciancalepore, Marco Di Renzo, Xavier Costa-Pérez2026-03-10💻 cs

Graph Neural Model Predictive Control for High-Dimensional Systems

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.

Patrick Benito Eberhard, Luis Pabon, Daniele Gammelli, Hugo Buurmeijer, Amon Lahr, Mark Leone, Andrea Carron, Marco Pavone2026-03-10💻 cs

← Zurück Weiter →