KI News: Kurz und klar.

In der Welt der datengetriebenen Modelle ist der Shapley-Wert ein bewährtes Werkzeug zur Bewertung von Daten und zur Attribution von Merkmalen. Doch bisher wurde dabei immer angenommen, dass alle Beitragenden gleichwertig und austauschbar sind – ein Ansatz, der bei abhängigen Daten oder bei unterschiedlichen Vertrauens- und Risikofaktoren zu Ungenauigkeiten führen kann.

Ein neues Verfahren aus dem arXiv‑Preprint 2601.06096v1 ermöglicht es, die Hessian‑Matrix tiefen neuronaler Netze effizient zu invertieren. Der Ansatz berechnet Hessian‑Inverse‑Vector‑Produkte, ohne die Matrix selbst oder ihre Inverse zu speichern, und arbeitet mit einer linearen Zeit‑ und Speicherkomplexität in Bezug auf die Anzahl der Schichten.

In der heutigen datengetriebenen Ingenieurwelt gewinnt die Erklärbarkeit von Machine‑Learning‑Modellen immer mehr an Bedeutung. Besonders in der Luft‑ und Raumfahrt, wo präzises Verständnis der Einflussfaktoren auf Vorhersagen entscheidend ist, werden klassische Interpretationswerkzeuge wie Partial Dependence Plots (PDP) häufig eingesetzt. Doch PDPs können bei starken Wechselwirkungen zwischen Eingangsvariablen irreführend sein, weil sie die Effekte durch Mittelung verbergen.

Die neueste Veröffentlichung auf arXiv präsentiert RIFT – eine skalierbare Methodik, die Reinforcement Learning nutzt, um gezielt die kritischsten Fehler in modernen KI‑Acceleratoren zu identifizieren. Durch die Automatisierung der Entdeckung minimaler, aber hochwirksamer Fehlerszenarien ermöglicht RIFT eine effiziente Design‑zeitliche Fehlerbewertung, die bisherige Ansätze deutlich übertrifft.

Ein neues Forschungsdokument aus dem arXiv-Repository präsentiert einen innovativen Ansatz, um die Erklärbarkeit von Künstlicher Intelligenz (KI) zu verbessern. Dabei werden große Sprachmodelle (LLMs) in fest definierte Analyseprozesse eingebettet, die bereits seit langem in der Entscheidungsforschung etabliert sind.

Defensive Forecasting bezeichnet die gezielte Anpassung von Prognosen, um potenzielle Risiken zu minimieren und die Glaubwürdigkeit zu wahren. In diesem Fall wird ein etwas ausgefeilteres Modell vorgestellt, das sowohl historische Daten als auch aktuelle Marktbedingungen berücksichtigt, um präzisere Vorhersagen zu liefern.