927 Arbeiten
Diese Studie schlägt das Dynamic Adaptive Fusion Model (DAFM) vor, ein intelligentes Echtzeit-Prognosesystem, das Decision Trees, Random Forests, XGBoost und BiLSTM-Netzwerke über adaptive Gating-Mechanismen dynamisch integriert, um die Einschränkungen statischer Modelle zu überwinden und eine überlegene Genauigkeit (R² = 0,97) sowie eine schnelle Inferenz für die Ölproduktionsprognose zu erreichen.
Das Papier stellt ModernBERT-TR vor, einen 150 Millionen Parameter umfassenden türkischen Encoder, der von Grund auf mit 144,4 Milliarden Token unter Verwendung der ModernBERT-Architektur und eines benutzerdefinierten Tokenizers vortrainiert wurde, welcher bestehende türkische Baselines signifikant übertrifft und größere gleichzeitige Modelle erreicht, obwohl er mit wesentlich weniger Ressourcen trainiert wurde.
DriftSense++ ist ein dynamisches Framework, das die räumliche Crowdsourcing-Aufgabenzuweisung durch den Einsatz eines geschlossenen, regionsbewussten Ansatzansatzes zur Erkennung und adaptiven Verwaltung von Daten- und Konzeptdrift verbessert und dabei bestehende Methoden über verschiedene reale Datensätze hinweg in Bezug auf Genauigkeit, Reduzierung von Fehlalarmen und Erholungsgeschwindigkeit signifikant übertrifft.
Diese Arbeit konzentriert sich auf die Evaluierung verschiedener Techniken des maschinellen Lernens, um SQL-Injection-Angriffe, die es Angreifern ermöglichen, Datenbankabfragen zu manipulieren und die Serversicherheit zu gefährden, effektiv zu erkennen und vorherzusagen.
Diese Studie bewertet maschinelle Lernmodelle zur Vorhersage der ICU-Mortalität und der Aufenthaltsdauer in äthiopischen Krankenhäusern unter Verwendung von realen und synthetischen Daten und stellt fest, dass das hybride Training mit CTGAN-generierten Daten andere Methoden trotz seines hohen Rechenaufwands signifikant übertrifft, während gleichzeitig der Sauerstoffbedarf und die SpO2 als die stärksten Mortalitätsprädiktoren hervorgehoben werden.
Diese Arbeit schlägt eine orientierungsbewusste Mesh-Lernmethode vor, die einen neuartigen Vorzeichen-halbe-Dihedral-Skalar nutzt, um die lokale Flächenorientierung zu kodieren, was die Robustheit und Klassifizierungsgenauigkeit für 3D-Formen unter strukturellen Störungen wie Schnitten und offenen Grenzen im Vergleich zu herkömmlichen kantenzentrierten Ansätzen signifikant verbessert.
Diese retrospektive Studie entwickelte und evaluierte ein multimodales KI-basiertes klinisches Entscheidungsunterstützungssystem, das demografische, klinische, genomische und bildgebende Daten integriert, um die personalisierte Prognose der Prostatakrebsbehandlung in Brunei zu verbessern, wobei nachgewiesen wurde, dass eine hybride LSTM–Random-Forest-Architektur mit Late-Stage-Fusion trotz Einschränkungen aufgrund der geringen Stichprobengröße eine robuste Leistung (AUC 0,964) erzielte.
Diese Studie zeigt, dass Algorithmen des maschinellen Lernens, insbesondere Support-Vector-Classifier, eine hohe Genauigkeit (bis zu 99 %) bei der Erkennung von Walddegradation im nigerianischen Omo-Waldreservat unter Verwendung von Fernerkundungsdaten erreichen, und plädiert daher für deren Integration in die nationale Naturschutzpolitik für eine nachhaltige Waldbewirtschaftung.
Diese Studie verwendet eine Design-of-Experiments-Methodik, um kritische Hyperparameter – spezifisch Chunking-Strategie, Kontextvolumen und LLM-Auswahl – innerhalb eines auf die Staatsanwaltschaft von Espírito Santo zugeschnittenen Retrieval-Augmented-Generation-Systems zu analysieren und zu optimieren, wobei durch statistische Analyse mittels der Aligned Rank Transform aufgezeigt wird, dass diese Faktoren die Antwortqualität signifikant beeinflussen.
Dieses Paper führt THEA ein, eine prompt-definierte Revisionspolitik, die ausführbare Weltmodelle als falsifizierbare Theorien behandelt, um Elternagenten und spezialisierte Subagenten zu orchestrieren, wodurch eine State-of-the-Art-Leistung in 22 von 25 ARC-AGI-3-Spielen bei signifikant reduzierten Kosten erzielt wird, während gleichzeitig sichergestellt wird, dass die Hypothesenrevision explizit, auditierbar und kosteneffizient bleibt.