KI News. Verstehen, was wichtig wird.

Suche Anmelden

Suche

Finde Modelle, Firmen und Themen

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

Ergebnisse für “Bootstrapping”

Bootstrapping-Regularisierung erhöht Stabilität klinischer Risiko‑Modelle

In der klinischen Praxis werden Vorhersagemodelle immer häufiger eingesetzt, doch viele Deep‑Learning‑Ansätze zeigen eine erhebliche Instab…

arXiv – cs.LG 13.02.2026 05:00

FedSurg 2024: Federated Learning für chirurgische Videoanalyse bei Appendizitis

Der FedSurg‑Challenge 2024 hat erstmals ein umfassendes Benchmarking von Federated‑Learning‑Methoden für die Klassifizierung chirurgischer…

arXiv – cs.AI 11.02.2026 05:00

Gefahren des Bootstrapping mit synthetischen Daten im kontinuierlichen Lernen

In der KI-Forschung wird die Nutzung von synthetisch erzeugten Daten immer üblicher. Sie können Trainingsdatensätze erweitern, doch wiederh…

arXiv – cs.LG 16.12.2025 05:00

KI-Agenten verbessern sich selbst: Theorie und Praxis der Self‑Play‑Optimierung

Wissenschaftler haben ein neues modulares Konzept entwickelt, das psychometrische Messinstrumente auf dynamische Systeme überträgt. Dabei w…

arXiv – cs.AI 03.12.2025 05:00

PIGReward: Personalisierte Bewertung von Text‑zu‑Bild‑Modellen

Neues Forschungspapier aus dem arXiv‑Repository präsentiert PIGReward, ein innovatives Modell zur Bewertung von Text‑zu‑Bild‑Generierung. W…

arXiv – cs.AI 26.11.2025 05:00

<h1>BREW: Neue Methode steigert Effizienz von Sprachagenten um bis zu 20 %</h1> <p>Sprachagenten, die auf großen Sprachmodellen (LLM) basieren, werden zunehmend für Aufgaben eingesetzt, die strukturiertes Denken, Tool‑Nutzung und Anpassung an die Umgebung erfordern. Traditionelle Optimierungsansätze wie PPO oder GRPO sind jedoch rechenintensiv und schwer zu interpretieren, was die Weiterentwicklung der Agenten erschwert.</p> <p>Die neue Methode namens BREW (Bootstrapping expeRientially-learned Environmental

arXiv – cs.AI 26.11.2025 05:00

LLMs neu starten: Präferenzbasierte Politikoptimierung als Durchbruch In einer bahnbrechenden Veröffentlichung auf arXiv wird ein neues Verfahren vorgestellt, das große Sprachmodelle (LLMs) ohne umfangreiche manuelle Anmerkungen an menschliche Vorlieben anpasst. Das Konzept, „präferenzbasierte Politikoptimierung“ (PbPO), nutzt ein Min‑Max‑Spiel zwischen einer Hauptpolicy und einem Belohnungsmodell (RM), wobei letzteres innerhalb eines aus Präferenzdaten abgeleiteten Vertrauensraums eingeschränkt wird, um z

arXiv – cs.AI 18.11.2025 05:00

Neues RL-Verfahren ermöglicht LLMs, sich selbst zu verbessern

In einer kürzlich veröffentlichten Studie auf arXiv wird ein innovatives Reinforcement‑Learning‑Verfahren namens Exploratory Iteration (ExI…

arXiv – cs.LG 08.09.2025 05:00

Twin-Boot: Optimierung mit Unsicherheitsbewusstsein durch Online‑Bootstrap

Standard‑Gradient‑Descent liefert zwar punktuelle Schätzungen, aber keine Aussage über die Zuverlässigkeit dieser Schätzungen. In Modellen…

arXiv – cs.LG 22.08.2025 05:00