💻 Category

cs

1062 Arbeiten

💻 computer science

Curriculum-Aligned Analysis of Assessment Feedback: A Retrieval-Augmented Large Language Model Approach for Revealing Fine-Grained Student Error Patterns in Higher Education

Diese Studie schlägt einen Retrieval-Augmented Large Language Model-Ansatz vor, der unstrukturierte Bewertungsrückmeldungen mit hoher Genauigkeit in lehrplankonforme Fehlermuster transformiert und es Lehrteams ermöglicht, die Auswirkungen der Instruktion zu reflektieren und gezielte Lehrplanüberarbeitungen in der Hochschulbildung zu steuern.

Linxin Hua, Jia Xu, Lirui Guo, Nan Zheng, Qingtan Shen, Dilang Tan, Ye Lu2026-06-25
💻 computer science

Comparative Analysis of LLM-Based Conversational Agents as an Assistive Technology for Web Interaction

Diese Studie bewertet die Wirksamkeit von vier führenden, auf LLMs basierenden konversationellen Agenten als assistive Technologien für die Web-Navigation und stellt fest, dass sie zwar ein vielversprechendes Potenzial aufweisen, die Barrierefreiheit für diverse Nutzergruppen durch das Interpretieren von Seitenstrukturen und die Anleitung von Interaktionen zu verbessern, ihre Leistung jedoch zwischen den verschiedenen Tools erheblich variiert.

Giuseppe Della Penna, Marina Buzzi, Barbara Leporini2026-06-25
💻 computer science

HE-CloudML: A Privacy-Preserving Framework for Secure Machine Learning Inference over Encrypted Cloud Data Using Homomorphic Encryption

Dieses Paper stellt HE-CloudML vor, ein Framework zur Wahrung der Privatsphäre, das eine sichere und effiziente Inferenz tiefer neuronaler Netze auf verschlüsselten Cloud-Daten mittels homomorpher Verschlüsselung ermöglicht, wobei eine Genauigkeit nahe am Klartext sowie signifikante Latenzverbesserungen gegenüber bestehenden Lösungen erzielt werden, während gleichzeitig eine robuste Resistenz gegen verschiedene Privacy-Angriffe gewährleistet wird.

Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi2026-06-25
💻 computer science

WSymBert: A Weighted Neuro-Symbolic Attention Model for Interpretable CVSS Prediction

Dieses Paper stellt WSymBERT vor, ein gewichtetes neuro-symbolisches Attention-Modell, das kontextuelles Sprachverständnis mit strukturiertem Expertenwissen kombiniert, um eine hochpräzise und interpretierbare automatisierte Vorhersage der CVSS v3.1 Base Metrics zu erreichen, wobei es bestehende Transformer-Baselines übertrifft und gleichzeitig enger mit dem Experten-Reasoning übereinstimmt.

Seyedeh Leili Mirtaheri, Amirhossein Majd, Reza Shahbazian, Georgios Spathoulas, Aida Akbarzadeh, Andrea Pugliese2026-06-25
💻 computer science

MAP-RAG: A Multi-View Adaptive Pattern-Aware Medical Retrieval-Augmented Generation Diagnostic Framework

MAP-RAG ist ein neuartiges Multi-View-adaptives Framework, das die klinische diagnostische Genauigkeit und Effizienz durch die Integration einer strukturierten Dekomposition elektronischer Krankenakten mit hybrider Abfrage und dynamischem Confidence-Routing verbessert und im Vergleich zu Baseline-Modellen eine überlegene Leistung über mehrere medizinische Fachabteilungen hinweg demonstriert.

Zhaolin Lu, Xulin Liu, Hongliang Bi, Feilong Tan, Caiying Zhang2026-06-25
💻 computer science

OrganSegBench: Bridging the Translational Gap for Medical Segmentation Foundation Models Through Principled Model Synergy

Um die translatorische Lücke bei medizinischen Segmentierungs-Foundation-Modellen zu schließen, die durch überoptimistische Benchmarks und den Genauigkeits-Fairness-Trade-off verursacht wird, führt diese Arbeit OrganSegBench ein, ein rigoroses mehrdimensionales Evaluierungsframework, das demonstriert, wie eine prinzipielle Modell-Synergie durch Ensemble-Strategien monolithische Modelle übertrifft, um eine sichere, gerechte und klinisch vertrauenswürdige KI zu erreichen.

Qing Li, Yizhe Zhang, Xin Guo, Haosen Zhang, Mo Yang, Mengting Sun, Longyu Sun, Haoyang Zhang, Junhong Liu, Yan Li, Yaji (…)2026-06-25
💻 computer science

A Hybrid Retrieval Augmented Generation Approach for Explainable Clinical Decision Support Using Vector Databases and Best Matching 25

Diese Arbeit präsentiert ein hybrides Retrieval-Augmented-Generation-Framework, das BM25 und eine auf BioBERT basierende semantische Suche mittels Reciprocal Rank Fusion integriert, um eine erklärbare, personalisierte klinische Entscheidungsunterstützung sowie die Früherkennung von Krankheitsrisiken zu verbessern und dabei eine überlegene Retrieval-Leistung auf einem Datensatz von 182.000 medizinischen Datensätzen im Vergleich zu traditionellen Baselines erzielt.

Bodireddy Mahalakshmi, Smita Khairnar, Shilpa Gite, Anurag Lengure, Anuj Loharkar, Swaraj Mahadik, Soham Mahajan2026-06-25
💻 computer science

An Explainable Hybrid of Classical and Quantum Support Vector Machine Models for Maternal Mental Health Risk Prediction Using Multicountry Data

Diese Studie schlägt ein erklärbares hybrides klassisch-quantenbasierter Support Vector Machine-Modell vor, das länderübergreifende Daten nutzt, um eine überlegene Leistung bei der Vorhersage des Risikos für die psychische Gesundheit von Müttern (99,86 % Genauigkeit) zu erzielen und gleichzeitig durch die SHAP-Analyse entscheidende klinische Prädiktoren zu identifizieren.

Shallon Ahimbisibwe, Emmanuel Ahishakiye, Samuel Maling, Simon Kawuma, Richard Ntwari, Boaz Twinamasiko, Fred Kaggwa2026-06-25
💻 computer science

Runtime Detection of Attacks and Misconfigurations in Cloud-Native Kubernetes Environments Using eBPF Network Telemetry

Diese Arbeit zeigt, dass Hubble/eBPF-Netzwerktelemetrie, kombiniert mit sorgfältig konstruierten Ground-Truth-Labels, effektiv Laufzeitangriffe und Fehlkonfigurationen in Kubernetes-Umgebungen erkennen kann, wobei sie offenlegt, dass Identitätsattribute der Zielseite die stärksten Indikatoren für Bedrohungen sind, trotz eines Trade-offs zwischen der hohen Präzision regelbasierter Detektoren und dem höheren Recall von Random-Forest-Klassifikatoren.

Andrew Oppong-Asante, Bernard Kyiewu, Clinton Amponsah, Linda Bessa-Simons, Caleb Boakye Yiadom2026-06-25
💻 computer science

ST-HAE: Spatio-Temporal Anomaly Detection inHeterogeneous IoT Networks Under Realistic Class Imbalance

Dieses Paper stellt ST-HAE vor, einen unüberwachten räumlich-zeitlichen hybriden Autoencoder, der eine hochpräzise Anomalieerkennung in heterogenen IoT-Netzwerken unter realistischer Klassenimbalance erreicht, indem er ausschließlich auf gutartigem Datenverkehr trainiert und eine bidirektionale zeitliche Kodierung nutzt, um die Fehlalarmraten und die Varianz im Vergleich zu bestehenden Methoden signifikant zu reduzieren.

Vamsi Krishna Reddy, Nageswara Rao kuda2026-06-25