3821 Arbeiten
Diese Arbeit zeigt auf, dass die Ausnutzung klassischer Symmetrien zur Reduktion von QAOA-Instanzen für das MaxCut-Problem die Dimension der dynamischen Lie-Algebra von exponentiell auf quadratisch reduzieren kann, wodurch Barren Plateaus gemildert werden, während die Lösungs-Expressivität und Erreichbarkeit erhalten bleiben.
Dieses Paper schlägt ein durch Large-Scale-Modelle unterstütztes Diagnose-Framework vor, das die Erkennung von Konflikten bei adversariellen Evidenzen von der robusten Klassifizierung trennt und zeigt, dass diese Fähigkeit – während spezifische Trigger und Policies effektiv dazu beitragen können, adversarielle Eingaben zu identifizieren und zu verschieben – dennoch von der Erzielung einer starken Robustheit gegenüber White-Box-Angriffen verschieden bleibt.
Dieses Paper schlägt ein KI-bewusstes adaptives Framework vor, das einen sequenziellen mehrschichtigen Hashing-Ansatz (unter Kombination von SHA3-256 und einem benutzerdefinierten BALKE2-Algorithmus) nutzt, um die Komplexität von Preimage-Angriffen exponentiell von 2^256 auf 2^512 zu erhöhen und dadurch digitales Vertrauen gegen die verhaltensbasierte Ausbeutung durch generative KI bei minimalem Ausführungszeit-Overhead zu schützen.
Diese Studie zeigt, dass bei der kardiovaskulären Risikovorhersage unter Realbedingungen ein angemessener Umgang mit fehlenden Daten durch Imputation oder Hybridstrategien entscheidend ist, um die Zuverlässigkeit und Interpretierbarkeit des Modells aufrechtzuerhalten, während das unkritische Löschen unvollständiger Datensätze die Leistung signifikant verschlechtert und den informativen Wert des Fehlens selbst außer Acht lässt.
Eine Auditierung des öffentlichen SMC-LUD Leber-Ultraschall-Datensatzes offenbart kritische Probleme bei der Datenintegrität, einschließlich Patientenüberschneidungen zwischen Trainings- und Testpartitionen sowie einer perfekten diagnostischen Trennung, die ausschließlich auf der Bildgeometrie basiert, was die Modellleistung künstlich aufbläht und die Validität des Datensatzes als Benchmark für die Klassifizierung des hepatozellulären Karzinoms untergräbt.
Diese Studie identifizierte und korrigierte systematisch Label-Rauschen in neun öffentlichen multimodalen Netzhautbild-Datensätzen durch die Kombination von automatisiertem Screening mit Expertenverifizierung, wobei sie aufzeigte, dass etwa 5,39 % der Bilder Fehler enthielten – einschließlich signifikanter Anteile an Out-of-Distribution- und Multi-Label-Fällen, die konventionelle Single-Label-Frameworks herausfordern – während gleichzeitig demonstriert wurde, dass Werkzeuge wie Cleanlab den manuellen Prüfaufwand effektiv reduzieren.
Diese Studie bewertet drei GPT-5.6-Modelle bei der chinesischen staatlichen Prüfung für Apotheker des Jahres 2025 und stellt fest, dass alle Modelle alle Fächer bestanden haben, wobei GPT-5.6-Sol und GPT-5.6-Terra das Modell GPT-5.6-Luna signifikant übertrafen, während gleichzeitig angemerkt wurde, dass die Leistung bei Fragen mit Bildinhalten generell niedriger war und potenziell durch die Bereitstellung von ursprünglichen Bildeingaben beeinflusst wurde.
Dieses Papier präsentiert YOLO-o1, ein erweitertes Multi-Faktor-Detektionsmodell auf Basis von YOLOv11n, das CBAM, Focal Loss, Label Smoothing und DIoU-Loss integriert, um gleichzeitig eine hochpräzise Erkennung von Stängelkrankheiten, Reifegradklassifizierung und Fruchtgrößenschätzung für Pitaya in Echtzeit-Agraranwendungen zu erreichen.
Diese Studie schlägt ein dynamisches Modellierungs-Framework für den Benutzerzustand vor, das semantische, behaviorale und psychometrische Signale integriert, um Metriken der Nutzererfahrung bei der LLM-gestützten Erkundung des Kulturerbes vorherzusagen, und demonstriert, dass adaptive Systeme die konversationelle Anleitung effektiv an die individuelle Neugier und die Interaktionsmuster anpassen können.
Diese Arbeit führt einen feingliedrigen Benchmark für ophthalmologische Fundamentmodelle ein, der punktüberwachte Klassifikations- und Retrieval-Aufgaben nutzt, um aufzuzeigen, dass diese Modelle zwar herkömmliche Allzweckmodelle übertreffen, jedoch trotz starker Krankheitsklassifikationsleistung weiterhin Schwierigkeiten bei der Identifizierung spezifischer klinischer Anzeichen haben.