2332 Arbeiten
Dieses Paper führt ChronosAttack ein, eine neuartige adversarielle Technik, die das Timing authentischer Tool-Antworten in asynchronen LLM-Agenten manipuliert, um Entscheidungsergebnisse zu verändern, ohne den Inhalt zu modifizieren, und demonstriert damit, dass die Antwortreihenfolge selbst eine signifikante Angriffsfläche über verschiedene Modelle hinweg darstellt.
Diese Arbeit demonstriert empirisch, dass die Erhöhung der Parameter-Skalierung zwar die Sicherheitsausrichtung in Englisch verbessert, Open-Weight-Modelle jedoch bei der Verarbeitung ressourcenarmer Sprachen wie Urdu und Punjabi aufgrund der Fragmentierung der Skript-Tokenisierung signifikant anfälliger für Jailbreaks bleiben, was kritische Bewertungsblindstellen in aktuellen Sicherheits-Benchmarks offenlegt.
Diese Arbeit untersucht das Verhältnis zwischen Merkmalsselektions- und Merkmalsattributionsmethoden durch eine umfassende Übersicht und ein vereinheitlichtes Evaluierungs-Framework mit dem Ziel, deren Ähnlichkeiten, Unterschiede und einzigartigen Stärken zu klären, um die Lücke zwischen diesen beiden Forschungsfeldern zu schließen.
Dieses Papier skizziert ein Protokoll zur Entwicklung und Validierung eines lokalisierten Large Language Models, das auf 3.000 historischen Anästhesieprotokollen des Istishari-Krankenhauses feinabgestimmt wurde, um präoperative Anästhesiepläne zu generieren, die in einem retrospektiven „Clinical Turing Test“ gegen menschliche Expertenstandards hinsichtlich Sicherheit und Genauigkeit evaluiert werden.
Dieses Paper schlägt ein robustes, coverloses Bildsteganographie-Framework vor, das Daten sicher überträgt, ohne das Trägerbild zu verändern, indem es geheime Bits mithilfe einer Sinus-Chaotik-Abbildung mit den signifikantesten Bits von gleitenden Fenstersegmenten abgleicht, wodurch eine hohe Resistenz gegenüber verschiedenen Verzerrungen und Steganalyse bei gleichzeitiger Aufrechterhaltung perfekter Unsichtbarkeit erreicht wird.
Dieses Paper stellt TempoGFormer vor, ein neuartiges, auf Transformern basierendes Modell für die ferngesteuerte Photoplethysmographie, das einen Gating-Mechanismus, einen Temporal-Spectral Fusion Head und eine räumlich überlappende Tokenisierungsstrategie nutzt, um Umgebungsrauschen und Bewegungsartefakte effektiv zu mildern und dadurch eine überlegene Genauigkeit sowie Effizienz bei der physiologischen Messung aus Gesichtsvideos über mehrere öffentliche Datensätze hinweg zu erreichen.
Diese Studie nutzt eine Eye-Tracking-Untersuchung statischer VR-Umgebungen, um zu demonstrieren, dass frühere VR-Erfahrung zwar die Bereitschaft zur Exploration nicht beeinflusst, aber die visuelle Effizienz signifikant steigert und die kognitive Belastung reduziert, was letztlich evidenzbasierte Leitlinien für die Optimierung des Szenendesigns durch strategische Platzierung und Hierarchie von Elementen liefert.
UniPrune ist ein vereinheitlichtes progressives visuelles Token-Pruning-Framework, das synergetisch die semantische Wichtigkeits-Diversitäts-Pruning-Methode der Encoder-Stufe mit dem pyramidenförmigen Dropping der LLM-Stufe kombiniert, verstärkt durch Mechanismen zur informationsbewussten Budgetallokation und zur informationskontinuierlichen Übertragung über verschiedene Stufen hinweg, um eine überlegene Effizienz und Leistung in LLaVA-ähnlichen Vision-Language-Modellen selbst bei extremen Kompressionsraten zu erreichen.
Das Paper schlägt FDSA-Net vor, ein frequenzgesteuertes dynamisches sparsames Aufmerksamkeitsnetzwerk, das einen achsenbasierten Aufmerksamkeitsblock und ein multiskaliges duales Domänen-adaptives Fusionsmodul integriert, um schwach beleuchtete Bilder effizient zu verbessern und gleichzeitig feine Details zu bewahren, wobei es eine State-of-the-Art-Leistung auf mehreren Benchmarks erzielt.
Dieses Paper stellt \sys vor, ein KI-gestütztes Self-Healing-Framework für Kubernetes-Jobwarteschlangen, das hybride Anomalieerkennung, Ursachenanalyse und Reinforcement Learning kombiniert, um Ausfälle autonom vorherzusagen und Behebungsmaßnahmen durchzuführen, wodurch die Wiederherstellungszeit signifikant reduziert und die Genauigkeit der Vorhersage von Ausfällen im Vergleich zu bestehenden reaktiven Systemen verbessert wird.