1062 Arbeiten
Diese Studie zeigt, dass ein mittels acht aus dem Cleveland-Datensatz ausgewählten Schlüsselmerkmalen optimierter Support Vector Machine (SVM)-Klassifikator mit einer Genauigkeit von 90,28 % und einem AUC von 93 % bei der Vorhersage von Herzerkrankungen eine überlegene Leistung im Vergleich zu dreißig anderen Klassifikatoren erzielt.
Über einen Zeitraum von zwei Jahren hat UNC Health sein Framework für verantwortungsbewusste KI durch die Implementierung eines dreistufigen risikobasierten Systems verbessert, das die Effizienz der Bewertung und die Durchlaufzeiten signifikant verkürzt hat, während gleichzeitig eine strenge Aufsicht gewahrt wurde, was zur erfolgreichen Prüfung von 64 Lösungen und zur Etablierung robuster Mechanismen zur Überwachung nach dem Einsatz mit minimalen unerwünschten Ereignissen führte.
Diese Arbeit stellt die Prämisse infrage, dass eine aktive Repartitionierung für Vektorsuchindizes unter Data Drift universell notwendig ist, indem sie durch kontrollierte Benchmarks aufzeigt, dass statische Partitionen bei moderater Fluktuation ausreichen, während sie gleichzeitig offenlegt, dass eine inkrementelle Neuzentrierung die kosteneffiziente Lösung für signifikante Verteilungsverschiebungen ist, und letztlich eine Regime-Karte sowie eine Entscheidungsregel für Praktiker bereitstellt, um zu bestimmen, wann Wartung tatsächlich erforderlich ist.
Diese Arbeit präsentiert ein Multi-Agenten-Reinforcement-Learning-Framework für die sichere Koordination von Industrierobotern und zeigt durch Simulationen auf, dass während eine deterministische Greedy-Baseline die vorgeschlagene sichere MARL-Policy in der Effizienz übertrifft, letztere emergente Kommunikationsmuster ermöglicht und die kritische Notwendigkeit einer adaptiven Kommunikationsbandbreite verdeutlicht, um Kollisionsrisiken bei zunehmender Flottengröße zu minimieren.
Diese Arbeit zeigt auf, dass ein entscheidungsbewusstes maschinelles Lernframework für das akademische Frühwarnsystem herkömmliche regelbasierte und probabilistische Schwellenwertansätze übertrifft, indem es versäumte Interventionen reduziert und durch kontextsensitive Unterstützungsentscheidungen, die aus kalibrierten Risikoschätzungen abgeleitet werden, die Ungleichheiten in der Chancengerechtigkeit verringert.
Dieses Paper schlägt ein KI-gestütztes Framework vor, das vorausschauende Wartung und Prozessoptimierung integriert, um die operative Effizienz und Systemzuverlässigkeit in der industriellen Fertigung durch die Nutzung von Echtzeit-Sensordaten für die Fehlererkennung, die Schätzung der Restlebensdauer sowie die dynamische Parameteranpassung zu steigern.
Diese Arbeit präsentiert eine Machine-Learning-Studie, die mit einer Genauigkeit von über 93 % die Ergebnisse professioneller Volleyballspiele mittels Gradient-Boosting- und Random-Forest-Modellen vorhersagt, welche auf synthetischen Daten trainiert und an realen Spielen der polnischen PlusLiga validiert wurden, wobei die OPI- und Break-Point-Differenziale als die kritischsten prädiktiven Merkmale identifiziert wurden.
Dieses Paper schlägt ein KI-gestütztes, vertrauensbewusstes Sicherheitsframework für kognitive Funknetze vor, das eine auf Random Forest basierende Detektion und eine Bayes-basierte Vertrauensevaluierung integriert, um SSDF-, PUE- und Jamming-Angriffe effektiv zu mildern und dabei eine hohe Detektionsgenauigkeit sowie eine signifikante Verbesserung der Netzwerkzuverlässigkeit und des Durchsatzes selbst unter schweren Angriffsbedingungen und niedrigen SNR-Werten zu erreichen.
Dieses Paper schlägt CATBridge vor, ein mehrstufiges Wissensoptimierungs-Framework, das einen Teacher-Student-Kollaborationsmechanismus nutzt, um leichtgewichtige LLMs dabei zu unterstützen, eine überlegene CVE-ATT&CK-Alignment-Genauigkeit in ressourcenarmen Umgebungen zu erreichen, wobei es sowohl aktuelle State-of-the-Art-Methoden als auch Zero-Shot-Modelle in großem Maßstab signifikant übertrifft.
Diese Studie evaluiert hybrides klassisch-quantenbasierte Routing für ein weltraumgestütztes Rechenzentrum mit 10 Knoten unter Verwendung eines CUDA-Q-Workflows und stellt fest, dass photonische Backends zwar eine überlegene Genauigkeit bei geringer Latenz erreichen, Variational Quantum Circuit (VQC)-Backends jedoch trotz des Angebots reichhaltigerer Quantenzustandsstrukturen prohibitive Latenzstrafen verursachen.