KI News: Kurz und klar.

In modernen Multi‑Agenten‑Systemen, die vermehrt auf große Sprachmodelle (LLMs) zurückgreifen, wird immer wichtiger, dass die Agenten über eine Art „propositionaler Glaubensbasis“ verfügen. Eine einfache Möglichkeit, dies zu erreichen, ist die Einbettung von Glaubensaussagen in den Prompt‑Bereich – die sogenannten Glaubensboxen.

Gradient Boosting Decision Trees (GBDTs) dominieren in Industrie und Forschung dank ihrer hohen Genauigkeit und Effizienz, besonders bei strukturierten Daten. Trotz dieser Beliebtheit ist das Einbetten von Wasserzeichen in GBDT‑Modelle bislang kaum erforscht, im Gegensatz zu neuronalen Netzwerken.

Ein neues Verfahren namens Collaborative Ensemble Adversarial Training (CEAT) verspricht, die Widerstandsfähigkeit von Modellen gegen gezielte Angriffe deutlich zu erhöhen. Im Gegensatz zu bisherigen Ensemble-Adversarial-Training-Ansätzen, die die einzelnen Teilmodelle unabhängig voneinander trainieren, nutzt CEAT die Zusammenarbeit zwischen den Modellen, um besonders anfällige Datenpunkte gezielt zu verbessern.