1062 Arbeiten
Das Paper stellt das Cascade Progressive Distilled Network (CPDN) vor, ein neuartiges Deep-Learning-Framework, das Knowledge Distillation von einem CatBoost-Lehrer nutzt, um Optimierungsstagnation und Nicht-Differenzierbarkeitsprobleme zu überwinden und so eine erstklassige Klassifizierungsleistung bei heterogenen tabellarischen Daten zu erzielen.
Diese Arbeit zeigt, dass ein Ansatz des zentralisierten Trainings mit dezentraler Ausführung (CTDE) unter Verwendung von QMIX das unabhängige Q-Learning (IQL) sowie Nicht-RL-Baselines bei der Koordination des Ladens von Elektrofahrzeugen in Smart Cities signifikant übertrifft, wobei höhere Akzeptanzraten und Erfolgswahrscheinlichkeiten erzielt werden, während gleichzeitig Teilbeobachtbarkeit und Verkehrsdynamiken effektiv bewältigt werden.
Diese systematische Übersicht über 445 aktuelle Studien (2024–2026) identifiziert CNN-Mamba-Hybride als die effizienteste Architektur für die medizinische Bildgebung aufgrund ihrer linearen Komplexität, während sie gleichzeitig kritische Herausforderungen wie den Verlust von räumlichen Informationen und den Speicherverbrauch hervorhebt, die durch native 3D-Blöcke adressiert werden müssen, um die klinische Integration zu ermöglichen.
Diese Arbeit schlägt ein hybrides Intrusion-Detection-Framework vor und evaluiert dieses, welches überwachtes Lernen (Random Forest und XGBoost) mit einem auf einem LSTM-Autoencoder basierenden Anomalieerkennungsmodell auf abgestimmten IoT- und Cloud-Datensätzen kombiniert, wobei aufgezeigt wird, dass dieser Ansatz zwar die Robustheit der Erkennung und den Recall für unbekannte Angriffe signifikant verbessert, jedoch einen Kompromiss mit erhöhten Falsch-Positiv-Raten und reduzierter Präzision erfordert.
Dieses Paper schlägt YOLOv10n-FBD vor, ein leichtgewichtiges Modell zur Erkennung des Reifegrades von Cherrytomaten, das CCFM-Feature-Fusion, PSA-BiFormer-Attention und eine C2f-Dual-Strategie integriert, um eine hohe Präzision (94,3 % mAP) und Geschwindigkeit (369 FPS) zu erreichen und gleichzeitig die Modellgröße sowie die Rechenkomplexität im Vergleich zu bestehenden Methoden signifikant zu reduzken.
Diese Studie schlägt ein LSTM-basiertes Spracherkennungssystem für die ressourcenarme Sprache Assamesisch vor, das einen selbst kuratierten Datensatz und hybride akustische Merkmale nutzt, um eine Genauigkeit von 95 % zu erreichen, während gleichzeitig die Herausforderungen durch phonetische Ähnlichkeiten zwischen Vokalen hervorgehoben werden.
Dieses Papier schlägt einen visuellen kontextbewussten und auf dem räumlichen rezeptiven Feld basierenden Algorithmus vor, der residuelle Zustandsraummodellierung, Leitvektoren und multiskalige deformierbare Aufmerksamkeit integriert, um Dunhuang-Wandmalereien effektiv zu restaurieren, indem es lokales Pixelvergessen und unzureichende räumliche Wahrnehmung adressiert und dadurch die Qualitätsmetriken der Restaurierung signifikant verbessert.
Dieses Papier schlägt ein Deep Cross Neural Network (DCNN)-Framework vor, das eine Genauigkeit von 98,4 % bei der Erkennung von heimlichen Hardware-Trojanern in FPGA-basierten VLSI-Schaltkreisen durch die Extraktion und Korrelation struktureller und funktionaler Merkmale erreicht und somit eine zuverlässige Lösung bietet, welche die Abhängigkeit von Golden-Reference-Modellen reduziert.
Diese systematische Übersichtsarbeit von 104 Studien zeigt auf, dass die Forschung zur digitalen Barrierefreiheit von automatisierten Werkzeugen dominiert und auf den Bildungs- sowie den Regierungssektor konzentriert ist, wodurch eine „Evaluierungs–Handlungs-Lücke“ entsteht, in der methodische Bequemlichkeit und sektorale Voreingenommenheit nutzerzentrierte Ansätze verdrängt haben und es versäumt wurde, die hartnäckigen Barrieren der Barrierefreiheit über das letzte Jahrzehnt hinweg zu beseitigen.
Das Papier stellt OntoLearner vor, ein modulares Open-Source-Framework, das den Ontologie-Zugriff, LLM-gesteuerte Lernpipelines und standardisiertes Benchmarking über 22 Domänen hinweg vereinheitlicht und aufzeigt, dass der primäre Engpass beim Ontologie-Lernen in einer strukturellen Diskrepanz zwischen der Wissenskodierung des Modells und der ontologischen Organisation liegt, statt in der Modellkapazität selbst.