meineki.news Logo
meineki.news
KI News. Verstehen, was wichtig wird.
Anmelden
Suche

Finde Modelle, Firmen und Themen

Suche im News-Archiv nach Themen, die du dauerhaft verfolgen willst.

Ergebnisse für “ASPECT”
Forschung

**Answer to the question “What is the difference between a ‘good’ and a ‘bad’ user?”** | **Aspect** | **Good User** | **Bad User** | |------------|---------------|--------------| | **Purpose** | Uses the system to achieve a legitimate goal (e.g., retrieving data, submitting a form). | Attempts to exploit the system for malicious reasons (e.g., data theft, sabotage). | | **Behavior** | Follows the intended workflow, respects rate limits, and does not abuse resources. | Sends malformed requests, brute‑forces
arXiv – cs.AI
Forschung

<p>Neues Pattern-Language für Agentic AI: Systematische Modularisierung von NFRs</p> <p>Ein kürzlich auf arXiv veröffentlichtes Paper präsentiert ein neues Pattern-Language, das Agentic AI-Systeme dabei unterstützt, ihre zahlreichen Querschnittsprobleme – Sicherheit, Zuverlässigkeit, Beobachtbarkeit und Kostenmanagement – systematisch zu identifizieren und zu modularisieren. Durch die Anwendung der „Goals‑to‑Aspects“-Methode, die ursprünglich bei RE 2004 entwickelt wurde, wird gezeigt, wie aus i* Zielmodell
arXiv – cs.AI
Forschung

<h1>HeteroComp: Neue Methode erkennt Gruppenanomalien in heterogenen Tensorströmen</h1> <p>In der Analyse von Ereignis‑Tensorströmen, die Zeitstempel und mehrere Attribute wie IP‑Adressen und Paketgrößen enthalten, ist die Erkennung von Anomalien von entscheidender Bedeutung. Traditionelle Verfahren zur Tensorzerlegung und Anomalieerkennung stoßen jedoch an zwei wesentliche Grenzen: Sie können heterogene Datenströme, die sowohl kategoriale als auch kontinuierliche Attribute umfassen, nicht adäquat verarbeit
arXiv – cs.LG
Forschung

<p>MathForge: Schwierigkeitsorientiertes Lernen steigert mathematisches Denken</p> <p>Ein neues Verfahren namens MathForge nutzt Reinforcement Learning mit verifizierbaren Belohnungen, um die mathematischen Fähigkeiten großer Modelle zu verbessern. Dabei wird deutlich, dass bisherige Ansätze – sowohl auf algorithmischer als auch auf Datenebene – zu wenig Wert auf besonders schwierige Fragen legen, obwohl diese entscheidend für die Weiterentwicklung der Fähigkeiten sind.</p> <p>Der Algorithmus Group Relative
arXiv – cs.AI