Forschung
Alles, was wir veröffentlichen, nach Bereichen geordnet.
Deepfake-Erkennung
Detektoren, die zeigen, wohin sie schauen und wie weit man ihren Werten trauen kann.
Publikationen
-
Ein EfficientNet-B4-Modell zur Deepfake-Erkennung, auf FaceForensics++ mit neun Konfigurationen für Datenaugmentation und Cutout trainiert und mit AUC, F1, Brier-Score und Log-Loss bewertet; die Grad-CAM-Aufmerksamkeit wird über Gesichtsregionen gemessen. Die vier Kennzahlen einigen sich nicht auf eine beste Konfiguration.
Für die UBMK 2026 angenommen. Die endgültige Fassung erscheint in IEEE Xplore.
Projekte
-
Code und acht trainierte EfficientNet-B4-Modelle zur Deepfake-Erkennung aus der Masterarbeit, mit regionaler Grad-CAM-Analyse und einer öffentlichen Website mit interaktiven Erkennungs- und Schätzspielen.
Code: MIT. Gewichte: CC BY-NC 4.0 gemäß den Bedingungen von FaceForensics++.
Entscheidungsmodelle
Kleine Modelle, die Fragen auf Englisch, Türkisch und Deutsch mit kalibrierten Wahrscheinlichkeiten beantworten und auf einer Laptop-CPU laufen.
Publikationen
Projekte
-
Drei offene Entscheidungsmodelle für Englisch, Türkisch und Deutsch. Jede Antwort enthält eine kalibrierte Wahrscheinlichkeit, und die Modelle laufen mit etwa 3 GB RAM.
-
Ein mittelalterliches Dorf im Browser, in dem die JevAlt-Modelle entscheiden, wie die Bewohner auf Stürme, Feuer, Märkte und Wölfe in der Abenddämmerung reagieren.
Modelle
Datensätze
-
Trainingsdaten für die JevAlt-Entscheidungsmodelle.
-
Aufgezeichnete Szenen und Filme aus Emberwick.
Lokale KI und offene Werkzeuge
Agenten und Werkzeuge, die auf Ihrem eigenen Rechner laufen.
Publikationen
Projekte
-
Kleine Agenten teilen sich eine lokale Arbeitsumgebung mit Tabellen, Notizen und einer Aufgabenübersicht; für jede Aktion gelten Regeln zum Erlauben, Nachfragen und Ablehnen.
Modelle
Datensätze
-
Ausgeführte Agentenabläufe, die zum Training von Tholos-2B verwendet wurden.
Spracherhalt
Eines der besten Forschungsvorhaben zum Spracherhalt mit kleinen lokalen Modellen.
Projekte
-
Ein kleines Sprachmodell, das Quenya und Sindarin liest und schreibt, auch in Tengwar-Schrift, gestützt auf ein grammatisch geprüftes Korpus, mit Werkzeugen für Übersetzung, Nachschlagen, Flexion und Tengwar-Darstellung.
Code und Gewichte sind privat. Demo auf Einladung.
Öffentliche Benchmarks
Offene Tests und ihre Ergebnisse.
-
Eine offene Testumgebung für Entscheidungsmodelle mit Jev-API: Sie misst Genauigkeit, Kalibrierung der Wahrscheinlichkeiten und Fehlerfälle.
-
Benchmark- und Live-Testergebnisse für JevAlt und die Vergleichsmodelle.
-
160 Szenarien für lokale Agenten, jeweils am Endzustand der Arbeitsumgebung bewertet.