2358 Arbeiten
Diese Studie zeigt, dass das verbleibende Sicherheitsrisiko der regelbasierten klinischen LLM-Überwachung gemeinsam durch das Einsatzprotokoll (speziell die Verfügbarkeit der Übergabe) und die Fehlercharakteristika des Basismodells bestimmt wird, was eine kritische Lücke zwischen automatisierter Regelkonformität und tatsächlicher klinischer Angemessenheit offenlegt.
Diese Arbeit demonstriert und beweist, dass Thompson Sampling in Kombination mit einem einfachen Imitationsmechanismus in einem symmetrischen Multi-Agenten-Bertrand-Preiswettbewerb zuverlässig zum Nash-Gleichgewicht in einer dezentralen, modellfreien Weise konvergiert und somit einen praktischen Reinforcement-Learning-Ansatz für komplexe Multi-Agenten-Umgebungen bietet.
Dieses Paper präsentiert PointCloud-ID, ein deterministisches Framework, das eine stabile Identität etabliert und eine räumlich lokalisierte Integritätsprüfung für geospatiale Punktwolken ermöglicht, indem es Daten unter versionierten Profilen kanonisiert und attributpartitionierte Merkle-Bäume konstruiert, wodurch inhaltserhaltende Rekodierungen von tatsächlichen Modifikationen unterschieden werden.
Dieses Paper schlägt ein leichtgewichtiges, diffusions-augmentiertes Framework vor, das ein leichtgewichtiges CNN, diffusionsbasierte Datenaugmentation und Knowledge Distillation kombiniert, um eine hochperformante Echtzeit-Gesichtsausdruckerkennung bei Kindern auf ressourcenbeschränkten Geräten zu erreichen und dabei bestehende Baselines auf den LIRIS-CSE- und CAFE-Datensätzen zu übertreffen.
Dieses Papier stellt IG-COAS vor, ein hybrides kooperatives System, das die Überholungssicherheit auf zweispurigen Straßen durch die Integration von V2X-Kommunikation, dynamischer graphenbasierter Umgebung Modellierung und Cloud-gestütztem maschinellem Lernen verbessert, um eine Echtzeit-Prädiktion des Kollisionsrisikos sowie Entscheidungsunterstützung bereitzustellen.
Dieses Paper schlägt ein zweistufiges LSTM-Framework für SD-WAN-Netzwerke vor, das die Kanallastvorhersage und die Klassifizierung kritischer Überlastungen integriert, um ein proaktives Routenmanagement zu ermöglichen, wobei es im Vergleich zu traditionellen Methoden eine überlegene Vorhersagegenauigkeit und Entscheidungszuverlässigkeit demonstriert.
Dieses Paper schlägt ein Framework zur versionsübergreifenden Domänenadaptation vor, das IEEE 802.11-Merkmalsharmonisierung, DANN/CORAL-Ausrichtung und konfidenzbasiertes Open-Set-Screening kombiniert, um eine hochgenaue Echtzeit-Wi-Fi-Intrusion-Detection über sich verändernde Umgebungen hinweg zu erreichen und gleichzeitig zuvor unbekannte Angriffsfamilien bei minimalem Labeling in der Zieldomäne effektiv zu identifizieren.
Dieses Papier stellt PPSNet vor, ein neuartiges klassenagnostisches Counting-Framework, das das Extract-and-Match-Paradigma theoretisch validiert und die Einschränkungen von auf Bounding Boxes basierenden visuellen Exemplaren durch den Einsatz eines Perceptual Prior Construction Modules zur Verfeinerung der Skalenverteilung sowie eines Similarity-guided Weighting Modules zur Verbesserung des Feature-Matchings adressiert, wodurch eine überlegene Leistung in visuellen, textuellen und Zero-Shot-Prompting-Szenarien erzielt wird.
Dieses Paper führt ein Physik-informiertes MobileNetV2-Framework für die Klassifizierung von Gasen im thermischen Infrarotbereich ein, das thermodynamische Eingangsmerkmale und physikalisch-gepönte Verlustfunktionen integriert, um eine hohe Genauigkeit sowie Null Fehlalarme bei der Detektion von Gemischen zu erreichen und somit einen günstigen Kompromiss zwischen Rohleistung und physikalischer Plausibilität für sicherheitskritische Anwendungen zu bieten.
Dieses Paper schlägt ein Adaptive Multi-Dataset Framework (AMDF) vor, das drei Benchmark-Datensätze mit Sentence-BERT und XGBoost integriert, um Prompt-Injection- und Jailbreak-Angriffe effektiv zu erkennen und zu filtern, wobei eine Genauigkeit von 84 % erreicht und die Generalisierung von LLM-Verteidigungen gegen sich entwickelnde Bedrohungen verbessert wird.