2358 Arbeiten
Dieses Paper schlägt ein schichtweises Debiasing-Framework für eingefrorene CLIP ViTs vor, das die hierarchische Abhängigkeit von Shortcuts durch gezielte räumliche, frequenzbasierte und semantische Interventionen mildert und dadurch die Cross-Generator-Generalisierung von Detektoren für KI-generierte Bilder verbessert.
Dieses Paper schlägt MACRDR vor, ein Framework für Multi-Agenten-Kollaboration und Reflexion, das die Diversität von Nachrichtenempfehlungen und die Entdeckung von Interessen verbessert, indem es den Prozess als dynamischen Intent-Kalibrierungsmechanismus neu formuliert, bei dem prädiktive und reflektierende Agenten kollaborativ Nutzerprofile anpassen, um Filterblasen zu mildern und sich entwickelnde Präferenzen zu erfassen.
Diese Studie zeigt, dass rigorose, leckageresistente Protokolle, insbesondere die Route-Held-Out-Validierung, essenziell für eine glaubwürdige Erkennung von Fahrerübermüdung sind, wobei sie offenlegt, dass während das gepoolte histogrammbasierte Gradient Boosting unter Standard-Splits eine hohe Leistung erzielt, es unter einem signifikanten Routen-Transfer-Abschlag leidet und komplexe Modalitätsfusionen einfachere gepoolte Modelle nicht übertreffen.
Dieses Papier führt Pixel-Translations-Äquivariante Quanten-Faltungsneuronale Netze (PCS-QCNNs) ein, die die Diskrepanz zwischen den Symmetrien der Bildkodierung und Standard-Qubit-Permutationen durch die Konstruktion von Fourier-multiplexierten Schichten lösen, welche exakt mit zyklischen Pixelverschiebungen kommutieren, wobei eine überlegene Leistung gegenüber nicht-äquivarianten Quanten-Kontrollen auf übersetzten MNIST-Benchmarks demonstriert und kritische Trainings-Deployments-Fehlanpassungen werden, die aus Kosten der endlichen-Shot-Stichprobenentnahme resultieren.
Diese Arbeit präsentiert eine schnelle, PRISMA-informierte Evidenzprüfung von 33 Studien zu vertrauenswürdiger agentischer KI, die die T-SAFE-Taxonomie und ein geschichtetes Framework einführt, um kritische Lücken in den Bereichen Sicherheit, Erklärbarkeit, Alignment und menschliche Aufsicht zu adressieren, während gleichzeitig die derzeitige Forschungsvernachlässigung von Fairness hervorgehoben wird.
Dieses Paper führt SPS-LIME ein, ein modellagnostisches Erklärungsframework, das die Interpretierbarkeit von Klassifikatoren für Rechtstexte verbessert, indem es variabel lange, rhetorisch kohärente Segmente anstatt einzelner Token oder Sätze perturbiert und dadurch eine überlegene Konsistenz sowie Komprehensivität erreicht, während es gleichzeitig potenzielle Diskrepanzen zwischen der Sensitivität des Klassifikators und der expliziten rechtlichen Argumentation aufdeckt.
Diese Studie führt ein hybrides GeoAI- und Multi-Criteria-Decision-Analysis-Framework ein, das unüberwachtes maschinelles Lernen nutzt, um rechtlich und ökologisch tragfähige Standorte für Rechenzentren im Guadalupe River Basin zu identifizieren, wodurch Wasser-Energie-Konflikte effektiv gelöst werden, indem subjektive Expertengewichtungen durch empirisch abgeleitete Kriterien ersetzt werden, um die Infrastruktur von der sensiblen Neubildungszone des Edwards-Aquifers wegzuleiten.
Dieses Paper schlägt Token-Adaptive LoRA vor, eine parametereffiziente Feinabstimmungsmethode, die Bild-Token über einen Noisy Top-1-Router dynamisch an rangdifferenzierte LoRA-Experten weiterleitet und dadurch die Leistung des Segment Anything Models bei Fernerkundungs-Detektions- und Segmentierungsaufgaben mit minimalem Rechenaufwand signifikant verbessert.
Diese Arbeit führt ein archivbedingtes Audit-Protokoll ein, um zu evaluieren, wie Vision-Language-Modelle und Prompt-Strukturen mit Metadaten aus Museen interagieren, wenn sie den künstlerischen Wert bewerten, wobei durch eine Fallstudie des Metropolitan Museum of Art demonstriert wird, dass „Einfluss“-Prompts die konsistentesten kategoriebasierten Unterschiede liefern, während gleichzeitig die Einschränkungen der modellübergreifenden und promptübergreifenden Generalisierung hervorgehoben werden.
Dieses Paper schlägt ein robustes Framework zur Erkennung von Kreditkartenbetrug vor, das Generative Adversarial Networks (GANs) kombiniert, um das Problem der extremen Klassenimbalance zu adressieren, sowie Ensemble-Machine-Learning-Techniken einsetzt und zeigt, dass das resultierende XGBoost-Modell eine überlegene Leistung in Bezug auf Recall, Präzision und Echtzeit-Machbarkeit auf einem Datensatz von 76.900 Transaktionen erzielt.