KI News: Kurz und klar.

Sepsis macht weltweit fast 20 % aller Intensivstationseinweisungen aus, doch herkömmliche Vorhersagemodelle verarbeiten die vielfältigen Datenquellen – Vitalparameter, klinische Texte und Bildgebung – oft isoliert oder mit starren frühen Fusionen. In der aktuellen Studie wird ein systematischer Vergleich zwischen End‑to‑End Deep Fusion und Context‑Aware Stacking für Sepsis‑Aufgaben präsentiert.

In den letzten Jahren hat sich die Entwicklung von tabellarischen Basismodellen (TFMs) rasant beschleunigt. Diese Modelle zeigen ein starkes Potenzial, klassische Machine‑Learning‑Methoden für strukturierte Daten zu übertreffen. Ein entscheidender Befund ist, dass TFMs vollständig auf synthetisch erzeugten Datensätzen vortrainiert werden können, was neue Möglichkeiten eröffnet, Datengeneratoren gezielt zu gestalten.

Eine neue Studie aus dem arXiv-Repository (ArXiv:2511.16375v1) untersucht, ob moderne Foundation‑Modelle wie Llama‑3.3‑70B‑Instruct bei der Vorhersage von Unternehmensinsolvenzen wirklich die Nase vorn haben. Die Forscher haben die Modelle gegen etablierte Machine‑Learning‑Baselines wie XGBoost und CatBoost auf einem riesigen, stark unausgeglichenen Datensatz von über einer Million Firmenakten aus der Visegrád‑Gruppe getestet.

Eine neue Studie aus dem arXiv-Repository hat 38 verschiedene Modelle zur Erkennung von Hassrede auf Social‑Media-Plattformen systematisch verglichen. Dabei wurden sowohl klassische Machine‑Learning‑Ansätze wie SVM und CatBoost als auch moderne Deep‑Learning‑Architekturen – darunter BERT, RoBERTa, Distil‑BERT, CNN, LSTM, GRU und Hierarchical Attention Networks – auf Datensätzen mit 6.5 T bis 451 K Beispielen getestet.

In meinen bisherigen Beiträgen habe ich die klassischen Entscheidungsbäume und die Faszination von Random Forests beleuchtet. Jetzt runde ich das Dreieck ab und tauche visuell in Gradient Boosted Trees ein. Es gibt zahlreiche Bibliotheken – XGBoost, CatBoost und LightGBM gehören zu den beliebtesten – doch für diese Demonstration setze ich auf die in scikit‑learn integrierte Variante. Warum? Weil sie sich nahtlos in das bestehende Ökosystem einfügt, leicht zu bedienen ist und dennoch die volle Leistungsfähigkeit von Gradient Boosting bietet.

Eine neue Analyse der PISA‑2018‑Daten nutzt erklärbare Künstliche Intelligenz (XAI), um die Faktoren zu identifizieren, die die Mathematikleistung von 67 329 Schülerinnen und Schülern in zehn Ländern bestimmen. Durch den Einsatz von XAI‑Methoden können die Ergebnisse nicht nur vorhersagen, sondern auch nachvollziehbar erklären.