7226 papers
Dit paper introduceert GeoVisA11y, een op LLM's gebaseerd vraag-antwoordsysteem dat kaarten toegankelijk maakt voor schermlezergebruikers door natuurlijke taalinteractie voor analyse en navigatie mogelijk te maken.
Dit paper introduceert Backdoor4Good, een unificerend raamwerk en benchmark dat de traditioneel kwaadaardige backdoor-mechanismen in grote taalmodellen herdefinieert als veilige, controleerbare en auditbare interfaces voor betrouwbare AI-toepassingen.
Dit artikel presenteert een door Agentic AI en een groot taalmodel (LLM) versterkt raamwerk voor de optimalisatie van UAV-netwerktopologieën, dat exacte potentiaalspellen combineert met log-lineaire en benaderde gradiëntleeralgoritmen om schaalbare, energiezuinige en lage-latentie connectiviteit te bereiken in dynamische omgevingen.
Dit onderzoek toont aan dat er een significant verwachtingsverschil bestaat tussen freelancers en klanten over het proactief melden van AI-gebruik, waarbij freelancers vaak passief handelen en klanten juist transparantie wensen, wat duidt op de noodzaak van heldere richtlijnen voor AI-disclosure in de freelance-economie.
Deze paper introduceert een doelgerichte risicobeoordelingsframework voor LLM-systemen dat systeemmodellering combineert met aanvals- en verdedigingstrbomen en CVSS-scoring om kwetsbaarheden in kritieke workflows, zoals de gezondheidszorg, gestructureerd te analyseren en gerichte verdedigingsmaatregelen te mogelijk maken.
Dit artikel introduceert een mensgericht raamwerk dat uit-distributie (OOD) herschikt als een spectrum van perceptuele moeilijkheid om de foutenafstemming tussen AI-modellen en mensen te evalueren, waarbij wordt aangetoond dat verschillende architecturen (zoals Vision-Language-modellen, CNNs en ViTs) afhankelijk van de moeilijkheidsgraad uiteenlopende aligneringsprofielen vertonen.
SIGMAE is een nieuw foundation model voor multispectrale remote sensing dat door het integreren van domeinspecifieke spectrale indices in een dynamisch masking-strategie (SSDTM) tijdens het voorbewerken, superieure ruimtelijk-spectrale representaties leert en presteert op diverse downstream-taken vergeleken met bestaande modellen.
Deze paper introduceert MonoSTL, een selectieve transferleermethode die de negatieve effecten van het modaaliteitsverschil tussen LiDAR en camera's oplost door dieptebewuste, selectieve distillatie van features en relaties, waardoor de nauwkeurigheid van monokulaire 3D-objectdetectie aanzienlijk verbetert.
Dit artikel introduceert het ThingiPrint-dataset en een prototype-gebaseerde classificatiemethode die, zonder hertraining, nieuwe 3D-geprinte objecten kan identificeren door gebruik te maken van hun CAD-modellen, waardoor de post-productie automatisering in de additieve fabricage wordt verbeterd.
Dit paper introduceert FedEU, een federatief leerframework dat evidentiële onzekerheid en client-specifieke kenmerkembeddings gebruikt om betrouwbare en robuuste segmentatie van remote sensing-beelden te bereiken door onzekere lokale updates te identificeren en adaptief te aggregeren.
Dit onderzoek onthult dat het ontbreken van authenticatie voor de aanroepende partij in Model Context Protocol (MCP)-systemen fundamenteel onveilig is, omdat servers vaak niet kunnen onderscheiden wie een verzoek doet en zo onbedoeld toegang verlenen aan onbevoegde gebruikers.
Deze paper introduceert EVLF, een plug-and-play methode voor vroege visueel-taal fusie die de dominantie van tekstuele prompts in diffusion-based dataset distillatie oplost door vroege alignering van visuele en tekstuele embeddings, wat resulteert in synthetische data met hogere semantische trouw en betere downstream classificatieprestaties.
Dit paper introduceert GSAT, een zelftoezichtend leerframework dat anomaliedetectie gebruikt om een positieve hypersfeer in de latente ruimte te construeren voor het betrouwbaar inschatten van terrein-doorgankelijkheid zonder extra prototypes of menselijke supervisie.
Dit paper introduceert HSC-VLA, een hiërarchisch framework dat robuuste bimanuele manipulatie in dichte rommel bereikt door hoog-niveau visueel-semantische redenering te ontkoppelen van laag-niveau sensorimotorische uitvoering via een expliciete 'scene-clearing'-abstractie, wat resulteert in een aanzienlijk hogere succesratio dan monolithische baselines.
Deze paper introduceert een Multi-Modal Decouple and Recouple Network dat robuuste 3D-objectdetectie bereikt onder data-corruptie door BEV-kenmerken van camera en LiDAR expliciet te ontleden in modale-invariante en modale-specifieke componenten, die vervolgens via gespecialiseerde experts en adaptieve fusie worden hergecombineerd.
Dit paper introduceert RobustSCI, een baanbrekende aanpak voor snapshot-compressieve beeldvorming die de focus verschuift van reconstructie naar restauratie om video's te herstellen uit realistisch verslechterde metingen, zoals vervaging en weinig licht, door middel van een nieuw netwerkarchitectuur en een uitgebreid benchmark.
Het artikel introduceert RayD3D, een methode die dieptekennis via stralen distilleert om de robuustheid van multi-view 3D-objectdetectie in autonome voertuigen te verbeteren door irrelevante LiDAR-informatie te minimaliseren zonder de inferentiekosten te verhogen.
DocCogito is een nieuw raamwerk voor documentbegrip dat globale lay-outperceptie koppelt aan gestructureerde, regio-gebaseerde redenering via een deterministische Visual-Semantic Chain en een progressieve trainingsmethode, wat leidt tot state-of-the-art resultaten op meerdere benchmarks.
Dit artikel introduceert het Hiërarchische Autonomie Evolutie (HAE)-kader, dat de beveiliging van AI-agenten structureert in drie niveaus—cognitieve autonomie, uitvoeringsautonomie en collectieve autonomie—om de toenemende kwetsbaarheden van autonome systemen op te lossen en een meerlaagse defensiearchitectuur te bevorderen.
Dit paper introduceert AMR-CCR, een verankerd modulair ophaalframework dat continu Chinees schriftherkenning mogelijk maakt door nieuwe klassen dynamisch toe te voegen via een gedeelde multimodale ruimte, en presenteert EvoCON als een nieuw benchmark voor deze taak.