Großer Erfolg für das Team Interaktives Maschinelles Lernen (IML) auf der NeurIPS 2025

Starke Präsenz auf einer der renommiertesten ML-Konferenzen

Die NeurIPS (Conference on Neural Information Processing Systems) zählt zu den weltweit führenden Konferenzen im Bereich Machine Learning und Künstliche Intelligenz. Mit einer Annahmequote von rund 25 % ist die Auswahl der Beiträge äußerst selektiv. Die Akzeptanz von vier Beiträgen des IML-Teams unterstreicht die starke wissenschaftliche Position des DFKI im internationalen Wettbewerb.

Neue Forschungsergebnisse im Überblick

Effiziente medizinische Vision-Language-Modelle: ExGra-Med

Der Beitrag ExGra-Med präsentiert ein neues Multi-Graph-Alignment-Framework zur besseren semantischen Integration von Bild- und Sprachinformationen in medizinischen Modellen. Anders als bestehende Ansätze verzichtet ExGra-Med auf aufwendige Trainingsdaten und setzt stattdessen auf eine gemeinsame Ausrichtung von Bildern, Antworten und erweiterten Bildbeschreibungen in einem gemeinsamen latenten Raum.

Wesentliche Ergebnisse:

• Bis zu 90 % weniger Trainingsdaten als bei konkurrierenden Modellen
• 20,13 % Leistungssteigerung auf dem medizinischen VQA-Benchmark VQA-RAD
• Übertrifft etablierte Ansätze wie BioMedGPT und RadFM

Effizienzsteigerung bei 3D-Transformern durch Token Merging

Ein zweiter Beitrag widmet sich der Reduktion von Rechenkosten in 3D-Cloud-Transformern. Die vorgestellte Token-Merging-Strategie zeigt, dass bis zu 95 % der Tokens während Inferenz und Training entfernt werden können, ohne dass Leistungseinbußen bei Segmentierung, Rekonstruktion oder Objekterkennung entstehen. Dadurch werden deutliche Effizienzgewinne erzielt und neue Perspektiven für skalierbare 3D-Modelle eröffnet.

Stabileres Alignment mit Importance Sampling

Das Paper IS-DAAs stellt eine neue Methode vor, um Stabilitätsprobleme bei Direct Alignment Algorithms (DAAs) zu adressieren. Durch die Integration eines Importance-Sampling-Gewichts in die Optimierungsfunktion wird die Überoptimierung reduziert, die bei vielen bestehenden Verfahren zu Leistungsverlusten führt. Detaillierte Experimente zeigen, dass der Ansatz insbesondere bei geringer Regularisierung stabilere Ergebnisse liefert und konventionelle Methoden übertrifft.

AuditCopilot: KI-Unterstützung für Wirtschaftsprüfungen

Im Rahmen eines Workshops wurde AuditCopilot vorgestellt, ein Ansatz zur Betrugserkennung in doppischer Buchhaltung mit Hilfe großer Sprachmodelle (LLMs). Durch die Kombination domänenspezifischer Schlussfolgerungen mit strukturierten Buchhaltungsdaten können Anomalien, Inkonsistenzen und potenzielle Betrugsmuster effizienter identifiziert werden. Dies eröffnet neue Möglichkeiten zur Unterstützung von Wirtschaftsprüfern und zur Verbesserung der Audit-Qualität.

Vielfältiges Konferenzprogramm und internationale Vernetzung

Die NeurIPS 2025 bot ein abwechslungsreiches Programm mit einladenden Vorträgen, Tutorials, Poster-Sessions sowie einer Vielzahl an Workshops. Themenschwerpunkte wie Multi-modal Foundation Models, Graph Machine Learning und GenAI for Health spiegeln aktuelle Forschungsschwerpunkte wider, die auch im IML stark verfolgt werden.

Im Rahmen der Veranstaltung wurden darüber hinaus Gespräche mit internationalen Forschungsgruppen geführt, insbesondere aus den Bereichen KI, Robotik und Biomedizin. Diese Kontakte stärken bestehende Kooperationen und ebnen den Weg für gemeinsame Projekte in den kommenden Jahren.

Fazit

Die erfolgreiche Teilnahme an der NeurIPS 2025 bestätigt die hohe internationale Wettbewerbsfähigkeit des IML-Teams und verdeutlicht die Relevanz der entwickelten Forschungsergebnisse für die wissenschaftliche Community sowie für praxisrelevante Anwendungen.