Durch die Kombination von Reinforcement Learning mit bestehenden Routing-Algorithmen lassen sich Zahlungserfolgsraten im Lightning Network deutlich steigern.
KI kann komplexe Gesundheitsdaten nutzen, um Ernährungsempfehlungen individuell anzupassen – und damit neue Wege für Prävention und Behandlung chronischer Krankheiten eröffnen.
Drei Universitäten, ein Ziel: Das L3S hat auf Seiten der Leibniz Universität Hannover mit der RWTH Aachen und der Technische Universität Darmstadt eine KI-Synergie-Allianz gegründet, […]
Beim Treffen des Scientific Advisory Boards diskutierte das L3S aktuelle Entwicklungen, künftige Forschungsschwerpunkte und seine Rolle im europäischen KI-Ökosystem.
Physikbasierte neuronale Netze können Black-Box-Modelle zuverlässiger machen. Das Ergebnis sind vielseitig einsetzbare Ersatzmodelle für komplexe Anwendungen, etwa die präzise Steuerung weicher Roboter.
Neural Attention Search (NAtS) bringt KI bei, sich auf das Wesentliche zu konzentrieren. Energie- und Hardwarekosten werden erheblich reduziert – bei gleichbleibender Leistung.
Fed-FUEL ermöglicht faire, leistungsstarke und datenschutzkonforme KI im föderierten Lernen – ohne Anpassung der zugrundeliegenden Modelle und mit besonderem Fokus auf den Schutz benachteiligter Gruppen.
Mit 40 fein abgestuften Gefühlszuständen und einem ausgewogenen Datensatz schließt EmoNetFace die Lücke zwischen „emotional blinder“ KI und der Emotionswahrnehmung menschlicher Experten.
DeepCAVE bietet Einblicke in komplexe AutoML-Optimierungen und zeigt, welche Parameter wirklich zählen – für verständlichere, effizientere und vertrauenswürdigere KI-Systeme
Mit HyperSHAP wird erstmals sichtbar, welche Hyperparameter ein KI-Modell wirklich voranbringen – und wie sie miteinander interagieren. Die Methode macht Hyperparameteroptimierung transparenter, effizienter und besser nachvollziehbar.
