2358 Arbeiten
Dieses Paper schlägt AMADRL-ZTA vor, eine verteilte Zero-Trust-Architektur, die adaptives Multi-Agent Deep Reinforcement Learning nutzt, um die Bedrohungserkennung signifikant zu verstärken, Reaktionszeiten zu reduzieren und die Anpassungsfähigkeit von Richtlinien zur Sicherung globaler Finanzökosysteme gegen raffinierte Cyberangriffe zu verbessern.
Dieses Paper schlägt ein mathematisches Framework für die frühzeitige DDoS-Erkennung vor, das ein Stabilitätsfunktional und einen Distorsionsoperator nutzt, um die Distanz des Netzwerkverkehrs von einem theoretischen Stabilitätsbereich zu messen, wodurch eine interpretierbarere und robustere Alternative zu herkömmlichen schwellenwertbasierten Überwachungsmethoden geboten wird.
Das Papier stellt den Causal Transformer (CT) vor, eine Self-Attention-Architektur, welche die Dimensionalitätsbeschränkungen bestehender gradientenbasierter Methoden überwindet, um eine robuste kausale Entdeckung im Bereich von 200–500 Variablen zu ermöglichen und erfolgreich biologisch validierte Krebs-Treiber-Netzwerke auf handelsüblicher Hardware zu identifizieren, an denen bisherige Ansätze scheitern.
Diese Studie nutzt eine Reihe von Algorithmen des maschinellen Lernens, wobei sich die logistische Regression als das effektivste Modell herausstellte, um Hochrisiko-Paratransit-Fahrer in Gazipur, Bangladesch, basierend auf sozioökonomischen und operativen Faktoren zu klassifizieren und den Verkehrsbehörden somit ein datengestütztes Instrument für gezielte Sicherheitsinterventionen anzubieten.
Dieses Papier schlägt CCM-YOLO vor, ein leichtgewichtiges und präzises Modell zur Detektion von Photovoltaik-Defekten unter Verwendung von sichtbarem Licht, das neuartige Module für entkoppeltes Downsampling, Mixed Attention und heterogene Konvolution integriert, um die Rechenkosten signifikant zu reduzken und gleichzeitig aktuelle State-of-the-Art-Methoden sowohl in der Präzision als auch in der Modelleffizienz zu übertreffen.
Dieses Paper schlägt ein zweistufiges Framework vor, das Fashion LoRA Guidance und Garment Region-Reweighted Flow Matching kombiniert, um die strukturelle und texturelle Degradation von Kleidungsstücken in antiken Gemälden zu adressieren, was die Restaurationsqualität signifikant verbessert und auditierbare, strukturgebundene digitale Kandidaten für die Bewahrung des kulturellen Erbes bereitstellt.
Dieses Paper stellt RAGtio vor, ein modulares Open-Source-Framework, das auf Haystack und Qdrant basiert und durch duale Bewertungsmodi sowie zugängliche Schnittstellen für sowohl technische als auch nicht-technische Nutzer eine systematische, reproduzierbare Evaluierung hybrider RAG-Retrieval-Pipelines im biomedizinischen Bereich ermöglicht.
Dieses Paper führt XCognitive SwarmNet ein, ein kognitives, auf Schwärmen basierendes Multi-Agenten-Framework, das kollaborative Argumentation, erklärbare Entscheidungsintelligenz und digitale Zwilling-Simulation integriert, um die Genauigkeit, Qualität, Effizienz und Transparenz der KI-gesteuerten Softwaretechnik und Geschäftsanautomatisierung für die Industrie 4.0 signifikant zu verbessern.
Dieses Paper führt Delegation-Aware Runtime Contracts (DARC) ein, ein formales Framework, das die Übertragung von Autorität in Multi-Agenten-Systemen von LLMs als einen maschinenprüfbaren Prozess behandelt, um die Einhaltung von Constraints, den Entzug von Fähigkeiten und die Zustandsrekonstruktion durch deterministische Laufzeitvermittlung zu erzwingen und damit die Sicherheitsrisiken anzugehen, die entstehen, wenn Delegation lediglich als natürliche Sprache behandelt wird.
Dieses Papier präsentiert ein Zwei-Pass-Framework für das Parsing handgezeichneter Diagramme, das ein Multi-Head-Graph-Evidence-Netzwerk mit einem deterministischen Assembler kombiniert, um die Lücke zwischen visuellen Belegen auf Pixelebene und einer präzisen strukturellen Graph-Rekonstruktion effektiv zu schließen, wobei eine hohe Leistung bei der Knotendetektion, dem Verfolgen von Verbindungsgliedern und der Rekonstruktion gerichteter Links erzielt wird.