✓ Geprüft

Von Autoren geprüfte Arbeiten

Arbeiten, bei denen die ursprünglichen Autoren unsere verständliche Erklärung begutachtet haben.

Bei jeder Arbeit auf dieser Seite hat mindestens ein/e der ursprünglichen Autor*innen unsere verständliche Erklärung gesehen und begutachtet — entweder durch Bestätigung der Genauigkeit oder durch Korrekturwünsche, die wir anschließend umgesetzt haben. Eine Bestätigung bedeutet keine formelle Freigabe jedes Satzes, aber die Erklärung ist von den Menschen geprüft worden, die das Paper geschrieben haben.

607 von Autoren geprüfte Arbeiten · 201–210 / 607

Micro-Swarm Locomotion Optimization in Dynamic Flow using Multi-Objective Multi-Agent Reinforcement Learning

Dieser Beitrag stellt ein hybrides Framework aus Strömungsmechanik-Simulation (Computational Fluid Dynamics) und Multi-Objective Multi-Agent Reinforcement Learning vor, das magnetisch angetriebene mikrorobotische Schwärme in dynamischen, pulsierenden Strömungen erfolgreich koordiniert, indem PCGrad zur Auflösung von Gradientenkonflikten eingesetzt wird, wodurch durch emergente hydrodynamische Verhaltensweisen eine gleichzeitige Optimierung der Vorwärtsbewegung stromaufwärts, der Energieeffizienz und der Bewegungsstetigkeit erreicht wird.

Josef Berman, Oren Gal2026-05-26✓ Author reviewed ⓘ⚡ eess

Measuring Reasoning Quality in LLMs: A Multi-Dimensional Behavioral Framework

Dieser Beitrag stellt ein einheitliches mehrdimensionales Verhaltensframework vor, das das Schlussfolgern von LLMs über sechs verschiedene Dimensionen hinweg bewertet – Richtigkeit, Konsistenz, Robustheit, logische Kohärenz, Effizienz und Stabilität –, um kritische Erkenntnisse zu gewinnen und Rangfolgefehler zu verhindern, die von herkömmlichen, ausschließlich auf Genauigkeit basierenden Metriken übersehen werden.

Ali Şenol, Garima Agrawal, Huan Liu2026-05-26✓ Author reviewed ⓘ🤖 cs.AI

Habermolt: Delegating Deliberation to AI Representatives

Dieser Beitrag stellt Habermolt vor, eine öffentliche Plattform für KI-delegierte Deliberation, auf der Agenten Menschen in kollektiven Entscheidungsprozessen vertreten, und bewertet deren Wirksamkeit anhand der Dimensionen Repräsentation, Aggregation und Revision, um die neuartigen Gestaltungs- und Ausrichtungs-Herausforderungen skalierbarer, vertrauenswürdiger KI-Repräsentanten zu adressieren.

Joseph Low, Oscar Duys, Claude Formanek, Michiel Bakker, Lewis Hammond2026-05-26✓ Author reviewed ⓘ💻 cs

The Concept Allocation Zone: Tracking How Concepts Form Across Transformer Depth

Dieser Beitrag stellt die Concept Allocation Zone (CAZ) vor, ein Rahmenwerk, das die Konzeptbildung in Transformer-Modellen als einen über einen zusammenhängenden Bereich des Residualstroms erstreckten Prozess neu definiert, der sich nicht auf eine einzelne „beste" Schicht beschränkt, wobei neue Metriken zur Identifizierung dieser Zonen eingesetzt werden und gezeigt wird, dass viele Konzepte in subtilen, multimodalen Allokationsregionen existieren, die kausal aktiv sind, jedoch für Standard-Peak-Detection-Methoden unsichtbar bleiben.

James Henry2026-05-26✓ Author reviewed ⓘ🤖 cs.LG

Forgotten Words: Benchmarking NeoBERT for Dementia Detection in Low-Resource Conversational Filipino and English Speech

Dieser Beitrag stellt die erste systematische Evaluation transformer-basierter Demeterkennung in filipino-englischem Code-Switching-Sprachmaterial vor und zeigt, dass monolinguale Modelle zwar nicht sprachübergreifend generalisieren, während zweisprachiges Fine-Tuning die sprachübergreifende Leistungsverschlechterung wirksam beseitigt und unabhängig von der Modellarchitektur eine hohe Genauigkeit erzielt.

Rez Samantha Z. Floresca, Edric Castel C. Hao, Hannah Grachiella Buñales, Chelsea Dominique E. Temprosa, Georgianna Z. Reyes, Kervin Gabriel L. Chua2026-05-26✓ Author reviewed ⓘ💬 cs.CL

'Si'multaneous 'S'patial-'T'emporal Message Passing for Dynamic Graph Representation Learning

Dieser Beitrag stellt SiST-GNN vor, ein neuartiges dynamisches Graph-Neurales Netzwerk, das räumlichen und zeitlichen Nachrichtenfluss durch die Erweiterung des Graphen um zeitübergreifende Kanten in einer einzigen Operation vereint und dadurch in verschiedenen Benchmarks für Link-Vorhersage und Knotenklassifizierung state-of-the-art-Ergebnisse erzielt.

Shubhajit Roy, Anirban Dasgupta2026-05-26✓ Author reviewed ⓘ🤖 cs.LG

Learning in Low-Dimensional Subspaces: Orthogonal Bottlenecks for Reinforcement Learning

Dieser Beitrag stellt orthogonale Engpässe vor, einen leichten, architekturunabhängigen Mechanismus, der Reinforcement-Learning-Repräsentationen durch feste orthonormale Projektionen auf niedrigdimensionale Unterräume beschränkt und sowohl theoretisch als auch empirisch nachweist, dass taskspezifische Wertfunktionen bei minimaler Dimensionalität erhalten und häufig verbessert werden können, während die Merkmalsgeometrie stabilisiert wird.

Aleksandar Todorov, Matthia Sabatelli2026-05-26✓ Author reviewed ⓘ🤖 cs.LG

Geometric Workspace Analysis and Transmission-Aware Dynamics of a Serial Spherical Tool for Microsurgery

Dieser Beitrag stellt einen kinematischen und transmissionsbewussten Entwurfsrahmen für ein serielles sphärisches mikrochirurgisches Instrument vor, der eine analytische Formulierung des Arbeitsraums sowie eine dynamikinformierte Methodik für selbsthemmende Getriebe umfasst und durch Experimente an einem speziell für die Vitreoretinalchirurgie entwickelten Robotersystem validiert wird.

Anestis Mablekos-Alexiou, Lyndon da Cruz, Christos Bergeles2026-05-26✓ Author reviewed ⓘ💻 cs

Cross-Domain Generalization Limits of Vision Foundation Models in Facial Deepfake Detection

Dieser Beitrag bewertet systematisch die Grenzen der domänenübergreifenden Generalisierung von Vision-Grundmodellen bei der Erkennung von Deepfakes im Gesichtsbereich und zeigt, dass diese Modelle zwar bei der Identifizierung von Ganzgesichtssynthesen hervorragend sind, jedoch aufgrund inhärenter Zielkonflikte zwischen Vortrainingsparadigmen und linearen Sondenauswertungsstrukturen bei lokalisierten Bearbeitungstechniken an ihre Grenzen stoßen.

Ibrahim Delibasoglu2026-05-26✓ Author reviewed ⓘ🤖 cs.AI

Scaling up Energy-Aware Multi-Agent Reinforcement Learning for Mission-Oriented Drone Networks with Individual Reward

Dieser Beitrag stellt ein energiebewusstes Multi-Agenten-Reinforcement-Learning-Modell vor, das Deep Q-Networks mit individuellen Belohnungsfunktionen nutzt, um die Robustheit, Energieeffizienz und Erfolgsrate missionsorientierter Drohnetze zu verbessern, insbesondere im Vergleich zu traditionellen Ansätzen mit gemeinsamer Belohnung, wenn die Größe der Umgebung und die Anzahl der Agenten skaliert werden.

Changling Li, Ying Li2026-05-26✓ Author reviewed ⓘ🤖 cs.AI