KI News: Kurz und klar.

Graph‑Anomalieerkennung soll abnormale Muster in Netzwerken aufdecken, steht jedoch vor großen Hindernissen wie wenigen gelabelten Daten und stark unausgeglichenen Klassen. Unüberwachtes kontrastives Lernen hat sich als vielversprechende Lösung erwiesen, doch bisherige Ansätze leiden unter zwei gravierenden Schwächen: zufällige Datenaugmentationen zerstören die semantische Konsistenz positiver Paare, und einfache negative Stichproben führen zu trivialen, wenig informativen Kontrasten.

In einer aktuellen Studie aus dem arXiv-Repository wird gezeigt, dass große Sprachmodelle (LLMs) sofort einsatzbereit sind, um Trainingsdaten für Verstärkungslernalgorithmen im Bereich der digitalen Gesundheitsveränderung zu generieren. Durch die Simulation von Nutzerinteraktionen liefern LLMs wertvolle Samples, die ohne echte Daten auskommen und dennoch die Leistung von Modellen verbessern.

Die klinische Antimicrobial‑Therapie erfordert die dynamische Integration von Pathogenprofilen, Hostfaktoren, pharmakologischen Eigenschaften von Antimicrobika und Schweregrad der Infektion. Diese Komplexität stellt große Herausforderungen für den Einsatz von Large Language Models (LLMs) in hochriskanten klinischen Entscheidungen dar – Wissenslücken, Datenschutzbedenken, hohe Einsatzkosten und begrenzte Denkfähigkeiten sind nur einige der Hindernisse.

Forscher haben ein neues Verfahren entwickelt, um die Privatsphäre von Modellen, die mit Differential Privacy (DP) trainiert wurden, nach dem Entfernen bestimmter Daten zu prüfen. Das Ziel ist es, sicherzustellen, dass sowohl die entfernten als auch die verbleibenden Daten den strengen DP‑Standards entsprechen.