2285 Arbeiten
Diese Arbeit zeigt auf, dass auf LLMs basierende Concept-Mapping-Systeme Over-Alignment-Fehler bei nicht zuordnbaren Begriffen signifikant reduzieren können, indem sie Kandidatensätze in vergleichbare und ausschließbare Formate strukturieren – ein Gestaltungsprinzip, das sich als effektiver erweist, als lediglich die korrekte Antwort bereitzustellen oder die Retrieval-Qualität zu verbessern.
Dieses Paper stellt AMODD vor, eine durch ML augmentierte Pipeline, die leichtgewichtige semantische Embeddings nutzt, um redundante Dokumentensektionen zu deduplizieren und Graph-Entitäten zu clustern, wodurch der Token-Verbrauch sowie die Latenz für LLMs bei der Konstruktion von Wissensgraphen signifikant reduziert werden, während gleichzeitig eine hohe Retrieval-Qualität beibehalten wird.
Dieses Papier präsentiert die Entwicklung und Pilotvalidierung eines KI-gestützten Selbstübungssystems für die Erhu, das optische Musikerkennung, Pitch-Tracking und Dynamic Time Warping integriert, um partiturabgestimmtes Feedback zu liefern, wobei eine starke Korrelation mit Expertenbewertungen sowie eine hohe Benutzerfreundlichkeit unter Konservatoriumsstudierenden nachgewiesen wird.
Dieses Paper führt „Possibility Ethics“ ein, ein konzeptuell-komputationales Framework, das soziotechnische Systeme bewertet, indem es deren Auswirkungen auf ethisch zulässige zukünftige Möglichkeiten durch eine neuartige Metrik namens Option Entropy quantifiziert, welche mittels des Omega-PE Toolkits implementiert wird, um distributionale Opportunitätsverluste aufzuzeigen, die von aggregierten Maßen oft übersehen werden.
Dieses Paper schlägt ein neuartiges, durch Reinforcement Learning unterstütztes A-Teams Hyper-Heuristik-Framework vor, das die Echtzeit-Routenoptimierung für kollaborative UAV-UGV-Systeme signifikant beschleunigt, indem es nahezu optimale Lösungen 30–70 % schneller als bestehende Methoden liefert und sich gleichzeitig effektiv an dynamische Umweltveränderungen anpasst.
Das Papier schlägt JK-DHGNN vor, ein Dual-View-Framework, das einen Top- dynamischen Hypergraphen-Generator, Jacobi-Spektralfilterung und einen auf Jacobi-Polynomen basierenden Klassifikator integriert, um Finanz- und E-Commerce-Betrug durch die Modellierung sowohl paarweiser Beziehungen als auch höherwertiger Zugehörigkeiten effektiv zu erkennen, wobei eine überlegene Leistung auf den YelpChi- und Amazon-Datensätzen erzielt und die datensatzabhängige Wirksamkeit der Komponenten demonstriert wird.
Dieses Paper führt ein leichtgewichtiges, Post-hoc-Boundary-Refinement-Modul (BRM) ein, das die Genauigkeit der biomedizinischen Benennung von Entitäten signifikant verbessert, indem es Grenzfehler korrigiert, ohne bestehende korrekte Vorhersagen zu verschlechtern, wodurch dadurch die Stabilität der nachgelagerten Relationsextraktion erhöht wird, während gleichzeitig minimale Rechenressourcen benötigt werden.
Dieses Paper stellt ChaosEntropyGate v2 (CEG-2) vor, einen beschränkten, lernbaren Unsicherheits-Gating-Mechanismus gepaart mit einem Feature-Augmentor, der, während er die Deep-Learning-basierte Malware-Erkennung in spezifischen Regimen moderat verbessert und frühere Instabilitätsprobleme korrigiert, letztlich bestätigt, dass abgestimmte Baum-Ensembles weiterhin die robusteste und kosteneffizienteste Lösung für diese Aufgabe darstellen.
Diese Arbeit evaluiert und vergleicht die Leistungsfähigkeit von Random Forest-, XGBoost- und Temporal Convolutional Network-Modellen für die Vorhersage der Restlebensdauer von Lithium-Ionen-Batterien und demonstriert deren praktische Implementierung und Effektivität auf dem Coral Dev Board für die vorausschauende Wartung in Elektrofahrzeugen.
Das Paper stellt APOSM vor, ein Active-Learning-Framework, das das Design kleiner Moleküle verbessert, indem es ein Graph Neural Network Surrogate auf paarweisen molekularen Vergleichen anstatt auf absoluten Scores trainiert und dadurch die Zielerreichung sowie die Sampling-Effizienz in verrauschten Screening-Regimen signifikant steigert.