KI News: Kurz und klar.

In einer wegweisenden Veröffentlichung präsentiert ein Forschungsteam ein neues Konzept für selbstlernende Systeme, die ohne externe Belohnungen auskommen. Statt auf klassische Reward‑Funktionen oder vorgegebene Fitnesskriterien zu setzen, wird die Lernentwicklung ausschließlich durch die Umwelt selbst gesteuert.

Tabellendaten bilden die Basis der meisten realen Machine‑Learning‑Anwendungen, doch die Entwicklung von Modellen, die mit gemischten numerischen und kategorialen Feldern, schwacher Feature‑Struktur und begrenzten gelabelten Daten umgehen können, bleibt eine große Herausforderung. Orion‑Bix, ein neues Tabellendaten‑Foundation‑Model, löst dieses Problem, indem es biaxial attention mit meta‑gelerntem in‑context reasoning kombiniert.

In der Welt des Few-Shot Learnings, wo Klassifikatoren mit nur wenigen Beispielen neue Klassen erkennen müssen, hat ein neues Forschungsprojekt einen vielversprechenden Ansatz vorgestellt. Das Ziel ist klar: die Generalisierung auf bislang unbekannte Klassen zu erhöhen, ohne dabei auf die bekannten Trainingsdaten zu stark zu vertrauen.

Im Jahr 2025 bedeutet das Entwickeln eines KI‑Agents in erster Linie die Wahl einer geeigneten Architektur. Dabei entscheidet man, wie Wahrnehmung, Gedächtnis, Lernen, Planung und Handlung miteinander verknüpft und koordiniert werden.

In einem neuen Tutorial wird gezeigt, wie neuronale Speicheragenten kontinuierlich lernen können, ohne dabei frühere Erfahrungen zu vergessen. Der Fokus liegt auf der Kombination eines differenzierbaren neuronalen Computers (DNC) mit Erfahrungspuffern und Meta-Lernen, um sich rasch an neue Aufgaben anzupassen und gleichzeitig vorhandenes Wissen zu bewahren.

In hochsensiblen Bereichen wie Finanzen und Gesundheitswesen sind Entscheidungsbäume wegen ihrer Interpretierbarkeit unverzichtbar. Ein neues Verfahren, vorgestellt auf arXiv (2511.04000v1), nutzt synthetische Vortrainingsdaten, um das Meta-Lernen dieser Modelle effizient zu skalieren.

In einer bahnbrechenden Veröffentlichung präsentiert das Forschungsteam TRiCo, ein neuartiges Triadisches Game-Theoretic Co-Training‑Framework, das die Struktur des semi‑supervised Lernens neu definiert. TRiCo kombiniert einen Lehrer, zwei Schüler und einen adversarialen Generator zu einem einheitlichen Trainingsparadigma, das die Schwächen herkömmlicher Co‑Training‑Ansätze adressiert.

Die rasante Zunahme großer Datensätze verlangt nach schnellen und effizienten Lernmethoden. Compressive Learning bietet dafür einen Ansatz, bei dem große Datenbanken mithilfe zufälliger, nichtlinearer Merkmale auf kompakte, informationsbewahrende Darstellungen reduziert werden. Diese Zusammenfassungen sind unabhängig von der Stichprobengröße, lassen sich leicht speichern, übertragen und verarbeiten und ermöglichen die Rekonstruktion von Modellparametern, ohne die Originaldaten zu benötigen – ein Ansatz, der sowohl effizient als auch datenschutzfreundlich ist.