Pubmed – OLSPub

Die Projektseite informiert über den aktuelle Stand.
„Open life science publication database (OLSPub)
Resilienz und Unabhängigkeit der lebenswissenschaftlichen Forschungsinfrastruktur in Europa zu stärken, ist angesichts der Risiken durch die Abhängigkeiten von den US-basierten Informationsdiensten geboten. ZB MED wird daher eine offene, zuverlässige und nachhaltige Alternative zur PubMed-Datenbank entwickeln. Diese alternative Datenbank stellt zum einen die derzeit verfügbaren PubMed-Inhalte bereit, zum anderen wird sie einen technischen und administrativen Rahmen für kontinuierliche Erweiterungen durch neue Publikationen bieten. Ein zentraler Meilenstein für die nachhaltige Verfügbarkeit medizinischer Fachinformationen wurde bereits erreicht: Die aktuellen Inhalte von PubMed sind gesichert und über das ZB MED-Suchportal LIVIVO zugänglich.“
Youtube-Video OLSPub as an alternative to PubMed: Infrastructure made in Europe. Information Event 12.06,2025

Deepfake Videos verifizieren Pixelator v2

Alex Scroxton: Scientists demonstrate Pixelator deepfake image verification tool: With the age of deepfake imagery upon us, a team led by York St John University researchers has created a tool to help people ‘navigate the fine line between reality and fabrication’ Computerweekly.com 27.11.2024

Aufsatz, in dem Pixelator v2 vorgestellt wird:
Somdip Dey, Jabir Alshehabi Al-Ani, Aikaterini Bourazeri, Suman Saha, Rohit Purkait, Samuel Hill, Julian Thompson: Pixelator v2: A Novel Perceptual Image Comparison Method with LAB Colour Space and Sobel Edge Detection for Enhanced Security Analysis, MDPI 17.11.2024
Abstract:
„In diesem Papier führen wir Pixelator v2 eine neuartige Wahrnehmungsbild-Vergleichsmethode ein, die die Sicherheit und Analyse durch verbesserte Bilddifferenzerkennung verbessern soll. Im Gegensatz zu herkömmlichen Metriken wie MSE, Q und SSIM, die oft keine subtilen, aber kritischen Änderungen in Bildern erfassen, integriert Pixelator v2 den Farbraum von LAB (CIE-LAB) für Wahrnehmungsrelevanz und Sobel-Kantenerkennung für strukturelle Integrität. Durch die Kombination dieser Techniken bietet Pixelator v2 einen robusteren und differenzierteren Ansatz zur Identifizierung von Bildvariationen, auch bei kleineren Änderungen. Der LAB-Farbraum sorgt dafür, dass die Methode mit der menschlichen visuellen Wahrnehmung übereinstimmt und sie besonders effektiv bei der Erkennung von Unterschieden macht, die im RGB-Bereich weniger sichtbar sind. Die Sobel-Edgeerkennung hingegen betont strukturelle Veränderungen, so dass sich Pixelator v2 auf die wichtigsten Bereiche eines Bildes konzentrieren kann. Diese Kombination macht Pixelator v2 ideal für Anwendungen in der Sicherheit, bei denen der Bildvergleich eine wichtige Rolle bei Aufgaben wie Manipulationserkennung, Authentifizierung und Analyse spielt. Wir bewerten Pixelator v2 anhand anderer beliebter Methoden und zeigen seine überlegene Leistung bei der Erkennung von Wahrnehmungs- und Strukturunterschieden. Unsere Ergebnisse deuten darauf hin, dass Pixelator v2 nicht nur genauere Bildvergleiche bietet, sondern auch die Sicherheit erhöht, indem es für subtile Änderungen schwieriger wird, unbemerkt zu bleiben. Dieses Papier trägt zum wachsenden Feld bildbasierter Sicherheitssysteme bei, indem es eine perzeptisch steuerbasierte, rechnerisch effiziente Methode zum Bildvergleich bietet, die in der Sicherheit des Informationssystems leicht angewendet werden kann.“

Software kann auf Github heruntergeladen werden: Pixelator v2 – Perceptual Image Comparison
„Pixelator v2 is an advanced image comparison tool that integrates pixel-wise RGB analysis, perceptual relevance via the CIE-LAB colour space, and structural integrity detection using Sobel filters. It outperforms traditional methods like MSE, SSIM, and LPIPS by offering a robust and computationally efficient method to detect both subtle pixel-level changes and perceptually significant modifications.„

KI Vergleichsportal

KI Kompass
„Willkommen zu unserem kostenlosen Vergleichsportal für KI Modelle. Testen und vergleichen Sie mehr als 150 Large Language Modelle (LLMs) und Image Generation Modelle kostenlos und ohne Anmeldung, um die Fähigkeiten der verschiedenen KI-Modelle zu bewerten und das perfekte Modell für Ihre Anforderungen zu finden.“

Quellcodekritik von Deep Seek

Markus Krajewski, Ranjodh Singh Dhaliwal: Wie tief lässt Deep Seek blicken? Wal mit Datenhunger: das KI-Sprachmodell Deep Seek Das Innenleben von KI-Sprachmodellen ist in der Regel ein wohlgehütetes Geheimnis. Der chinesische Senkrechtstarter macht eine Ausnahme und legt seinen Code offen. Eine Tiefenlektüre. Frankfurter Allgemeine Zeitung 11.07.2025 (hinter der Bezahlschranke)
Deep Seek hat seine Modelle, nicht aber die verbesserte Version V3(0324), als open weight zur Verfügung gestellt. Für den Eigengebrauch können die Sprachmodelle heruntergeladen werden, um sie für eigene Zwecke zu optimieren. Die Autoren stellen hier eine Quellcodekritik vor: „Die von Deep Seek offengelegten Codes wurde von uns nicht nur eingesehen, sondern exemplarisch, direkt zwischen den einzelnen Kommandos, mit erläuternden Kommentaren versehen, die vor allem für Nichtinformatiker die Hintergründe und Funktion der Algothemen verständlich machen sollen.“ Dies ist auf https://github.com/nachsommer/deepseekV3-SCC abgelegt. In diesem Aufsatz werden die Ergebnisse zusammengefasst. Zunächst bilden 5 knappe Dateien der Programmiersprache Python das Kerngerüst. Es wird „definiert, welche Daten als Eingabewerte in welcher Form übernommen werden„. Vorhandene Spezialchips werden abgeprüft. Transformer-Bibliotheken bringen „das Sprachvermögen mit dem im Latenzraum gespeicherten Weltwissen zusammmen“. Sprachpartikel werden durch Zahlen ersetzt und in der Antwort in einer spezifischen Form von Nähe und Aufmerksamkeitscluster wieder zusammengesetzt. Eine Nutzeranfrage wird durch eine spezielle Architektur angenommen: 6 Experten nehmen die Anfrage entgegen und reichen sie an 64 Experten weiter.
Nicht ersichtlich sind allerdings die Trainingsprozesse des Modells. „Mit dem gelieferten Python-Code lässt sich das Modell selbst nicht ohne Weiteres zum Training animieren, um von Grund auf mit neuem Weltwissen (das heißt: dem gesamten Internet der Gegenwart) gefüttert zu werden.“ Zensur- und Filtermechanismen sind nicht ersichtlich. Unklar ist auch, wie das Modell zu seinen Ergebnissen kommt. Eine eingebaute, nicht näher explizitierte Selbstreflexion, „Chain of Thougth (CoT)“ spielt hier eine zentrale Rolle.

Buchseite 9 von 48
1 … 7 8 9 10 11 … 48