3449 Arbeiten
Die Studie stellt einen neuen, clusterbasierten Rahmen für Website-Fingerprinting-Verteidigungen vor, der durch die adaptive Kombination von Regularisierung und supersequenzbasierten Gruppen die Sicherheit nachweisbar gewährleistet und gleichzeitig den Overhead im Vergleich zu klassischen Methoden wie Tamaraw drastisch reduziert.
Das Paper stellt BLAST vor, ein Werkzeug, das Large Language Models und search-based software testing kombiniert, um automatisch Tests zu generieren, die Softwarefehler reproduzieren, und validiert dessen Wirksamkeit sowohl durch einen Benchmark als auch durch den Einsatz eines GitHub-Bots in drei Open-Source-Repositories.
Die Arbeit stellt CoRe-GS vor, ein grob-zu-fein Framework für semantisches Gaussian Splatting, das durch eine aufgabenspezifische, selektive Optimierung nur relevanter Punkte von Interesse die Trainingszeit drastisch verkürzt und gleichzeitig die Rekonstruktionsqualität für robotische Anwendungen verbessert.
Diese Studie analysiert erstmals in großem Maßstab die Verwendung von Gleitkommaarithmetik in öffentlich zugänglichen GitHub-Repositories statisch typisierter Sprachen, um durch die Veröffentlichung eines Datensatzes mit 10 Millionen Funktionen und den Vergleich mit bestehenden Benchmarks die Lücke zwischen theoretischen Forschungsansätzen und realer Praxis zu schließen.
Die vorgestellte Arbeit führt AwesomeDE ein, ein von großen Sprachmodellen gesteuerter Meta-Black-Box-Optimierungsansatz, der unter Verwendung des -Frameworks ohne menschliches Eingreifen update-Regeln für eingeschränkte evolutionäre Algorithmen generiert und dabei sowohl Recheneffizienz als auch Lösungsgenauigkeit gegenüber bestehenden Methoden verbessert.
Die Arbeit stellt VocSegMRI vor, ein multimodales Framework, das durch die Integration von Video-, Audio- und phonologischen Daten mittels Cross-Attention-Fusion und kontrastivem Lernen eine präzise Echtzeit-Segmentierung des Stimmtrakts in MRT-Bildern ermöglicht und dabei neue State-of-the-Art-Ergebnisse erzielt.
Diese Arbeit stellt einen dezentralen Lernansatz vor, der es Teams von N-Quadruped-Robotern ermöglicht, nicht greifbare Objekte ausschließlich durch physischen Kontakt zu transportieren, indem eine hierarchische Politik und eine spezielle Belohnungsfunktion eine implizite Synchronisation ohne Kommunikation oder mechanische Kopplung gewährleisten.
Diese Studie analysiert acht reale KI-Einsätze in nicht-westlichen Kontexten und leitet daraus zwölf Leitlinien ab, die betonen, dass für den erfolgreichen und sicheren Einsatz von KI im Dienst der Gesellschaft eine enge Zusammenarbeit zwischen Entwicklern und Fachexperten sowie die Berücksichtigung kultureller, institutioneller und technischer Faktoren entscheidend sind.
Die Studie stellt das kostengünstige, modulare Kamerasystem CSLICS vor, das mithilfe von Computer-Vision-Techniken und menschlicher Rückkopplung die automatisierte Zählung von Korallenlaich ermöglicht und damit den manuellen Aufwand bei der Riffrestaurierung drastisch reduziert sowie die Überwachung der Larvengesundheit verbessert.
Diese Arbeit stellt eine unüberwachte Methode vor, die durch die Identifizierung von Entschlüsselungsrichtungen mittels Aktivierungs-Clustering und die Schätzung von Verschlüsselungsrichtungen über Signalvektoren sowie Uncertainty Region Alignment die latenten Mechanismen zur Kodierung und Dekodierung von Konzepten in Deep-Vision-Netzwerken aufdeckt, um deren Black-Box-Charakter zu durchdringen und interpretierbare Eingriffe zu ermöglichen.
Das Paper stellt LLaVAShield vor, ein Sicherheitsframework für multimodale Mehrdialoge, das zusammen mit dem MMDS-Datensatz und dem MMRT-Red-Teaming-Ansatz entwickelt wurde, um die Grenzen bestehender Inhaltsmoderation zu überwinden und VLMs effektiver vor komplexen, kontextabhängigen Risiken zu schützen.
Diese Studie überwindet die Datenlücke für den französischen Stadtflächenwandel vor den 1970er-Jahren, indem sie eine skalierbare Deep-Learning-Pipeline mit einem zweistufigen U-Net-Ansatz entwickelt, um aus historischen Karten (1925–1950) erstmals einen flächendeckenden, offenen Datensatz urbaner Strukturen für ganz Frankreich zu erstellen.
Die Autoren stellen einen Echtzeit-Bézier-basierten MPC-CLF-CBF-Planungsalgorithmus vor, der die Konnektivität von Multi-Roboter-Schwärmen in komplexen Umgebungen durch gleichzeitige Trajektorien- und Regelungsplanung sicherstellt, Deadlocks vermeidet und bei Verbindungsverlusten eine erfolgreiche Wiederherstellung ermöglicht.
Die Arbeit stellt LARA-Gen vor, ein Framework, das durch die Ausrichtung latenter affektiver Repräsentationen und die Nutzung eines kontinuierlichen Valenz-Arousal-Raums eine präzise, kontinuierliche Emotionssteuerung in Text-zu-Musik-Modellen ermöglicht und dabei Text-Prompts umgeht.
Diese Arbeit stellt eine effiziente, asset-zentrische metrisch-semantische Kartierungsmethode für Innenräume vor, die mit einem Unitree Go2-Roboter detaillierte Objektmeshes erstellt, um sowohl eine höhere Genauigkeit als auch eine bessere LLM-Integration für semantische Navigation zu erreichen als bestehende Ansätze.
Die Arbeit stellt NaviGait vor, ein hierarchisches Framework, das Trajektorienoptimierung mit Deep Reinforcement Learning kombiniert, um durch die Auswahl und minimale Anpassung von Gait-Bibliotheken robuste, intuitive und schnell trainierbare Laufsteuerungen für bipede Roboter zu erzeugen.
Das Paper stellt BanaServe vor, ein dynamisches Orchestrierungsframework für disaggregiertes LLM-Serving, das durch die Migration von Gewichten und KV-Caches sowie einen globalen KV-Cache-Store Lastungleichgewichte und Ressourcenineffizienzen beseitigt und damit im Vergleich zu bestehenden Systemen wie vLLM und DistServe einen deutlich höheren Durchsatz bei geringerer Latenz erzielt.
Die vorgestellte Arbeit stellt ein Echtzeit-Neurales-Videokompressions-Framework mit vereinheitlichter Intra- und Inter-Codierung vor, das durch die adaptive Verarbeitung jedes Einzelbildes in einem einzigen Modell sowie eine simultane Zwei-Bild-Kompression Probleme wie Disokklusion und Fehlerfortpflanzung löst und dabei eine signifikant bessere Kompressionseffizienz als DCVC-RT bei gleichzeitiger Wahrung der Echtzeitfähigkeit erreicht.
Die Arbeit stellt PULL vor, einen leichten, vollständigen Algorithmus mit -Laufzeit pro Schritt, der das Problem des verbundenen, unbeschrifteten Multi-Agenten-Pfadfindens (CUMAPF) für Hunderte von Agenten effizient löst und dabei die Skalierbarkeitsgrenzen von ILP-Methoden überwindet.
Diese Arbeit widerlegt die Annahme, dass reaktives Neuplanen zwingend eine Aktualisierung bestehender Pläne erfordert, und zeigt, dass stattdessen eine Abfolge unabhängiger Probleme mit schnellen, fast sicher asymptotisch optimalen Algorithmen wie EIT* effizienter gelöst werden kann.