Suche nach Empfindlichkeit

LLM-Intervention: Neue Theorie erklärt Grenzen der Agentenoptimierung

Large Language Models (LLMs) werden zunehmend als Optimierungsmodule in agentischen Systemen eingesetzt, doch die grundlegenden Grenzen di…

arXiv – cs.LG 26.03.2026 04:00

Forschung

<p>Eine neue Studie von Forschern auf arXiv zeigt, dass große Sprachmodelle (LLMs) ihre moralischen Entscheidungen stark vom Kontext beeinflussen lassen. Im Gegensatz zu bisherigen Untersuchungen, die meist feste Szenarien nutzten, analysiert die Arbeit die Wirkung von drei bekannten Kontextvariationen aus der Moralpsychologie – Konsequenzialismus, Emotionen und Beziehungsaspekte – auf die Urteilsbildung von LLMs.</p>

Zur Untersuchung wurde das Dataset Contextual MoralChoice entwickelt, das moralische Dilemmata mit systematisch veränderten Kontexten enthä…

arXiv – cs.AI 25.03.2026 04:00

Forschung

Neue Theorie erklärt In-Context Learning mit CoT und Demonstrationen

Ein neues theoretisches Modell liefert erstmals ein klares Bild davon, wie In‑Context Learning (ICL) bei großen Sprachmodellen funktioniert…

arXiv – cs.LG 23.03.2026 04:00

Forschung

Brittlebench: Wie Prompt-Varianten die Robustheit von LLMs messen

Die meisten Bewertungssysteme für Sprachmodelle beruhen auf sauberen, statischen Testdatensätzen. Dadurch wird die tatsächliche Leistungsfä…

arXiv – cs.LG 17.03.2026 04:00

Forschung

Graph-Transformer GT-BEHRT: Kritische Analyse von Lücken in EHR-Vorhersagen

Transformer‑basierte Modelle haben die Vorhersageleistung bei longitudinalen elektronischen Gesundheitsdaten (EHR) durch groß angelegtes, s…

arXiv – cs.LG 17.03.2026 04:00

Forschung

Sinkhorn-Drifting: Neue Brücke zwischen Drift‑Dynamik und Sinkhorn‑Divergenz

In einer kürzlich veröffentlichten Studie wird erstmals ein theoretischer Zusammenhang zwischen der sogenannten „Drifting“-Generativdynamik…

arXiv – cs.LG 16.03.2026 04:00

Forschung

Stabilitätsrisiken bei Multi-LLM-Entscheidungsprozessen entdeckt

Eine neue Studie auf arXiv untersucht, wie sich künstliche Intelligenz‑Komitees aus mehreren großen Sprachmodellen (LLMs) verhalten, wenn s…

arXiv – cs.AI 11.03.2026 04:00

Forschung

Softmax-gewichteter Gradientenwechsel für verteilte Minimax-Optimierung

Ein neues Verfahren, das Softmax-gewichteten Gradientenwechsel nutzt, löst das Problem der verteilten stochastischen Minimax-Optimierung un…

arXiv – cs.LG 09.03.2026 04:00

Forschung

Neues Framework korrigiert Bias in Graph Neural Networks für heterophile Graphen

Graph Neural Networks (GNNs) haben sich als leistungsstarkes Werkzeug für die Verarbeitung von graphstrukturierten Daten etabliert. Ihre St…

arXiv – cs.LG 05.03.2026 05:00

Forschung

RL-Agenten verlieren interne Entscheidungsstruktur bei Policy‑Transformation

In der Welt des Verstärkungslernens (RL) stehen Agenten häufig vor der Herausforderung, Entscheidungen zu treffen, ohne die komplette Umgeb…

arXiv – cs.LG 26.02.2026 05:00

Forschung

ScaleBITS: Bitbreitenanpassung für effiziente, hardwarefreundliche LLMs

ScaleBITS ist ein neues Quantifizierungsframework, das die Nachtrainingsgewichtsanpassung von großen Sprachmodellen (LLMs) optimiert. Ziel…

arXiv – cs.AI 23.02.2026 05:00

Forschung

Agentische 6G-Kommunikation: Intent‑Aware und kontinuierlich lernende Schicht

Mit dem Aufkommen von 6G verändern sich die Anforderungen an drahtlose Systeme grundlegend. Die zunehmende funktionale Komplexität und die…

arXiv – cs.AI 20.02.2026 05:00

Forschung

Frühwarnsignal für Grokking: Kommutator‑Defekt in Loss‑Landschaft

In einer neuen Studie wurde das Phänomen „Grokking“ – die plötzliche Umwandlung von bloßem Auswendiglernen in echtes Verstehen nach langem…

arXiv – cs.LG 20.02.2026 05:00

Forschung

Federated GNNs: Geometrische Kohärenz bei globaler Aggregation neu definiert

Federated Learning (FL) ermöglicht das Training von Modellen über mehrere Clients hinweg, ohne dass Daten zentralisiert werden. Graph Neura…

arXiv – cs.LG 18.02.2026 05:00

Forschung

FedLoRA: Neue Methode verhindert Rang‑Kollaps bei heterogenen Clients

Federated Low‑Rank Adaptation (FedLoRA) hat die Feinabstimmung von Basis‑Modellen in verteilten Lernumgebungen revolutioniert, indem es Kom…

arXiv – cs.LG 17.02.2026 05:00

Forschung

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

Forschung

AgentCPM-Explore: 4B-Agent erreicht SOTA bei Edge-Scale-Exploration

Ein neues Forschungsergebnis zeigt, dass ein 4‑Billionen‑Parameter‑Agent namens AgentCPM‑Explore die Grenzen von Edge‑Scale‑Modellen spreng…

arXiv – cs.AI 09.02.2026 05:00

Forschung

Neues Forschungsprojekt beleuchtet Lipschitz-Kontinuität in neuronalen Netzen

Deep‑Learning‑Modelle haben in den letzten Jahren enorme Fortschritte erzielt, doch die Frage nach ihrer Robustheit gegenüber kleinen Einga…

arXiv – cs.LG 05.02.2026 05:00

Forschung

Verbesserte Post-Training-Quantisierung dank zukünftiger Aktivierungsdaten

Die Kompression großer Sprachmodelle ohne Feinabstimmung ist ein zentrales Thema in der KI-Forschung. Post‑Training‑Quantisierung (PTQ) nut…

arXiv – cs.LG 04.02.2026 05:00

Forschung

LLMs bleiben regelkonform trotz emotionaler Einflüsse

Eine aktuelle Untersuchung von Forschern aus dem Bereich der künstlichen Intelligenz hat ein überraschendes Ergebnis geliefert: Trotz der b…

arXiv – cs.AI 30.01.2026 05:00

Forschung

NewPINNs: neuronale Netze mit klassischen Solvern für PDEs

Ein neues Lernframework namens NewPINNs verbindet neuronale Netze mit etablierten numerischen Solvern, um partielle Differentialgleichungen…

arXiv – cs.LG 27.01.2026 05:00

Forschung

UMAP verbessert: JORC-UMAP nutzt Geometrie- und Topologie-Prioritäten

Die weit verbreitete Technik zur nichtlinearen Dimensionsreduktion, UMAP, stößt häufig an Grenzen, wenn sie versucht, hochdimensionale Date…

arXiv – cs.LG 26.01.2026 05:00

Forschung

Transformers lernen von Natur aus kausal – neue Studie enthüllt

Eine kürzlich veröffentlichte Arbeit auf arXiv zeigt, dass Transformer‑Modelle, die in einer autoregressiven Weise trainiert werden, von Ha…

arXiv – cs.LG 12.01.2026 05:00

Forschung

Effiziente Nachrichtenkompression verbessert kooperative Multi-Agent-Lernleistung

In der graphbasierten Multi-Agenten‑Reinforcement‑Learning‑Forschung ermöglichen Agenten, die als Knoten und ihre Kommunikationsverbindunge…

arXiv – cs.LG 15.12.2025 05:00

Forschung

Kausale Analyse verbessert Energiebedarfsvorhersage auf neue Genauigkeit

Die Vorhersage des Energiebedarfs ist für Netzbetreiber, industrielle Verbraucher und Dienstleister von entscheidender Bedeutung. Dabei spi…

arXiv – cs.AI 15.12.2025 05:00

Forschung

Neue Studie beleuchtet Planner-Entscheidungen bei MAPF in realen Simulationen

Multi-Agent Path Finding (MAPF) wird zunehmend in industriellen Lagern und Fertigungsanlagen eingesetzt, wo Roboter zuverlässig unter reale…

arXiv – cs.AI 11.12.2025 05:00

Forschung

FAIM: Leichtgewichtiges Frequenz-bewusstes Modell für Zeitreihenklassifikation

Die Klassifizierung von Zeitreihen ist in Bereichen wie Umweltüberwachung, medizinischer Diagnose und Körperhaltungserkennung von entscheid…

arXiv – cs.LG 10.12.2025 05:00

Forschung

Roboter lernen: Co‑Training steigert visuelle Generalisierung um 18 %

In einer neuen Studie zeigen Forscher, wie Roboter ihre Sichtbarkeit in verschiedensten Umgebungen deutlich verbessern können. Durch ein so…

arXiv – cs.AI 08.12.2025 05:00

Forschung

Neue Methode erkennt Verhaltensänderungen in Multi-Agenten-Systemen

Generative Modelle, die mit externen Werkzeugen und Update‑Mechanismen – sogenannten Agenten – erweitert werden, zeigen Fähigkeiten, die we…

arXiv – cs.AI 05.12.2025 05:00

Forschung

TiCT: Das neue synthetisch vortrainierte Modell für Zeitreihenklassifikation

In einer Welt, in der Zeitreihen-Daten allgegenwärtig sind, wächst die Nachfrage nach universellen Basismodellen, die ohne umfangreiche Bes…

arXiv – cs.LG 26.11.2025 05:00

Finde Modelle, Firmen und Themen

LLM-Intervention: Neue Theorie erklärt Grenzen der Agentenoptimierung

Neue Theorie erklärt In-Context Learning mit CoT und Demonstrationen

Brittlebench: Wie Prompt-Varianten die Robustheit von LLMs messen

Graph-Transformer GT-BEHRT: Kritische Analyse von Lücken in EHR-Vorhersagen

Sinkhorn-Drifting: Neue Brücke zwischen Drift‑Dynamik und Sinkhorn‑Divergenz

Stabilitätsrisiken bei Multi-LLM-Entscheidungsprozessen entdeckt

Softmax-gewichteter Gradientenwechsel für verteilte Minimax-Optimierung

Neues Framework korrigiert Bias in Graph Neural Networks für heterophile Graphen

RL-Agenten verlieren interne Entscheidungsstruktur bei Policy‑Transformation

ScaleBITS: Bitbreitenanpassung für effiziente, hardwarefreundliche LLMs

Agentische 6G-Kommunikation: Intent‑Aware und kontinuierlich lernende Schicht

Frühwarnsignal für Grokking: Kommutator‑Defekt in Loss‑Landschaft

Federated GNNs: Geometrische Kohärenz bei globaler Aggregation neu definiert

FedLoRA: Neue Methode verhindert Rang‑Kollaps bei heterogenen Clients

FedSurg 2024: Federated Learning für chirurgische Videoanalyse bei Appendizitis

AgentCPM-Explore: 4B-Agent erreicht SOTA bei Edge-Scale-Exploration

Neues Forschungsprojekt beleuchtet Lipschitz-Kontinuität in neuronalen Netzen

Verbesserte Post-Training-Quantisierung dank zukünftiger Aktivierungsdaten

LLMs bleiben regelkonform trotz emotionaler Einflüsse

NewPINNs: neuronale Netze mit klassischen Solvern für PDEs

UMAP verbessert: JORC-UMAP nutzt Geometrie- und Topologie-Prioritäten

Transformers lernen von Natur aus kausal – neue Studie enthüllt

Effiziente Nachrichtenkompression verbessert kooperative Multi-Agent-Lernleistung

Kausale Analyse verbessert Energiebedarfsvorhersage auf neue Genauigkeit

Neue Studie beleuchtet Planner-Entscheidungen bei MAPF in realen Simulationen

FAIM: Leichtgewichtiges Frequenz-bewusstes Modell für Zeitreihenklassifikation

Roboter lernen: Co‑Training steigert visuelle Generalisierung um 18 %

Neue Methode erkennt Verhaltensänderungen in Multi-Agenten-Systemen

TiCT: Das neue synthetisch vortrainierte Modell für Zeitreihenklassifikation

🍪 Cookie-Einstellungen

Roboter lernen: Co‑Training steigert visuelle Generalisierung um 18 %