KI News: Kurz und klar.

Ein neues Verfahren namens Meta Post-Refinement (MePo) verspricht einen Durchbruch im Bereich des kontinuierlichen Lernens ohne Wiederholung.

Forscher haben gezeigt, wie die Symmetrie von vortrainierten Modellen die Genauigkeit von Conformal Prediction (CP) deutlich steigern kann. CP ist ein post-hoc, verteilungsfreier Ansatz zur Unsicherheitsquantifizierung, der unter der Annahme der Austauschbarkeit der Daten formale Abdeckungsgarantien liefert. In langen Missionshorizonten wachsen die Unsicherheitsbereiche jedoch stark, sodass die statistischen Garantien praktisch unbrauchbar werden.

Die Art und Weise, wie Modelle elektronische Gesundheitsdaten verarbeiten, hängt stark von der Tokenisierung ab – doch bislang fehlt ein fairer Vergleich der verschiedenen Ansätze. In einer neuen Studie wurde die Effektivität von Tokenisierungsstrategien für klinische Zeitreihen systematisch untersucht, wobei transformerbasierte Architekturen auf dem umfangreichen MIMIC‑IV‑Datensatz angewendet wurden.

Ein neuer Ansatz zur Klassifizierung von Zeitreihen, vorgestellt auf arXiv (2511.15447v1), nutzt In‑Context Learning in Time‑Series Foundation Models (TSFM). Durch die Einbettung von Beispiel‑Zielen und Kovariaten direkt in die Prompt‑Struktur kann das Modell unbekannte Datenmuster klassifizieren, ohne dass ein Feintuning erforderlich ist.

Ein neues Verfahren zur Feinabstimmung großer vortrainierter Modelle kombiniert graphbasierte Strukturempfehlungen mit modularen Adaptern, um die hohen Rechenkosten und die strukturelle Instabilität bei Multi‑Task‑Anpassungen zu reduzieren.

Deep‑Learning‑Modelle im Bildbereich sind seit langem anfällig für winzige Eingabestörungen. Traditionell wurde die Robustheit dadurch erreicht, Modelle von Grund auf neu zu trainieren – also mit zufälliger Initialisierung – und dabei spezielle Verlustfunktionen einzusetzen.