1062 Arbeiten
Dieses Paper schlägt eine multimodale, auf Transformern basierende Methode vor, die Video-, Audio- und Haltungsdaten integriert, um das Aufmerksamkeitsniveau von Vorschulkindern in Klassenzimmern robust zu bewerten, wobei es im Vergleich zu Baseline-Modellen eine überlegene Leistung und Stabilität über verschiedene Fokuszustände hinweg demonstriert.
Diese Arbeit adressiert die Herausforderung der Erkennung KI-generierter Produktbilder im grenzüberschreitenden E-Commerce durch die Einführung des CBEC-AIGC-Bench-Datensatzes und den Vorschlag von MFF-EComDet, einem Multi-Feature-Fusion-Netzwerk, das räumliche semantische und Frequenzartefakt-Zweige mit einem Cross-Attention-Mechanismus kombiniert, um Generierungsartefakte effektiv von störenden Werbetexten zu unterscheiden.
FluxGraph ist ein unüberwachter Rahmen für die Anomalieerkennung in Zeitreihen, der dynamische Graph-Attention mit Flux-Speicher und bidirektionalem Feature-Fluss synergetisch kombiniert, um Maskierungsanomalien und graduelle Basislinien-Drifts in industriellen und automobilen Systemen effektiv zu identifizieren und dabei bestehende Methoden durch einen neuartigen Multi-Residuen-Fusionsansatz zu übertreffen.
Dieses Paper schlägt ein mehrschichtiges Framework vor, das die faktische Zuverlässigkeit großer Sprachmodelle verbessert, indem es Antworten in atomare Behauptungen zerlegt, diese mittels Retrieval verankert und sie durch ein kleines Sprachmodell sowie neuro-symbolische Argumentation verifiziert, wodurch signifikante Leistungssteigerungen auf den Datensätzen HotpotQA und SciFact erzielt werden, während gleichzeitig Interpretierbarkeit und Recheneffizienz gewahrt bleiben.
Dieses Paper präsentiert ein wissensbeschränktes neuronales Framework, das formale geometrische Regeln in ein Graph-Completion-Modell einbettet, um exakte Rotationssymmetrie und strukturelle Validität in islamischen geometrischen Mustern zu garantieren, wobei nachgewiesen wird, dass Datenaugmentation zwar die Treue verbessert, nur symmetrie-strukturierte Inferenz jedoch eine Null-Verletzungsrate gewährleistet.
GeoMind ist ein autonomes Multi-Agenten-Framework, das ein lokales LLM, RAG-basierte Kontextinjektion und einen deterministischen geospatialen Validierer in ein geschlossenes Selbstkorrektursystem integriert, um eine erstklassige Erfolgsquote von 90 % bei der Aufgabenerfüllung sowie eine signifikant verbesserte räumliche Genauigkeit in der geospatialen Analyse zu erreichen und dadurch die bei allgemeinen LLMs üblichen semantischen und geografischen Halluzinationen effektiv zu überwinden.
Diese Arbeit präsentiert einen statistisch validierten Benchmark der Modelle Multilayer-Perzeptron, XGBoost und Random Forest für die kontaktlose Klassifizierung von Atemmustern mittels Software-Defined Radio, wobei nachgewiesen wird, dass MLP und Random Forest eine überlegene Genauigkeit gegenüber XGBoost erreichen, während gleichzeitig schnelle und Schlafapnoe-Muster als am schwierigsten zu unterscheiden identifiziert werden und der höhere Generalisierungsfehler von Random Forest aufgrund von Überanpassung hervorgehoben wird.
Dieses Paper präsentiert einen KI-gestützten Smart Physiotherapy Assistant, der Computer Vision und maschinelles Lernen nutzt, um eine Echtzeit-Posturanalyse sowie korrigierendes Feedback über eine Web-Schnittstelle bereitzustellen und dadurch eine zugängliche, kostengünstige und selbstgesteuerte Rehabilitation ohne ständige Aufsicht durch einen Therapeuten zu ermöglichen.
Diese Studie stellt LGBM-BBB vor, einen hochgeschwindigkeitsfähigen und präzisen Webserver zur Vorhersage der Durchlässigkeit der Blut-Hirn-Schranke, der LightGBM nutzt, das auf einem optimierten Satz von 59 Merkmalen mit Winsorized-Ausreißerbehandlung und Optimierung des Matthew-Korrelationskoeffizienten-Schwellenwerts trainiert wurde, um eine effiziente neurotherapeutische Wirkstoffforschung zu erleichtern.
Dieses Paper führt ein umfassendes Framework ein, das LSTM-basierte Astgenerierung, stochastische Wachstumsmodellierung und bedingte Diffusionsmodelle kombiniert, um realistische synthetische Fichtenbretter mit bekannten internen Strukturen zu erzeugen und somit das Training von Deep-Learning-Systemen für Holzbewertungsaufgaben zu ermöglichen, bei denen echte gepaarte Daten knapp sind.