3825 Arbeiten
Diese Studie schlägt ein multimodales Fusionsframework vor, das Gesichtsausdrücke, Verhalten und textuelle Merkmale integriert, um das Engagement von Studierenden zu erkennen, wobei nachgewiesen wird, dass eine Late-Fusion-Strategie eine hohe Genauigkeit (0,864) erreicht und Single-Modalitäts-Modelle bei der Klassifizierung von Engagement-Niveaus übertrifft.
Dieses Paper schlägt Label Adaptive Gating (LAG) vor, einen neuartigen Fusionsmechanismus, der mittels Cross-Attention die Bedeutung der einzelnen Modalitäten für jedes klinische Label lernt, dabei bestehende Single-Output-Fusions-Baselines über mehrere Multi-Label-klinische Datensätze hinweg übertrifft und gleichzeitig klinisch plausible Modalitäts-Attributionen bereitstellt.
Dieses Papier schlägt ein sicheres Verfahren zur Verschlüsselung von Farbbildern für medizinische Anwendungen vor, das die Generierung chaotischer Sequenzen und die Parameter der Schlüsselstrom-Rekonstruktion innerhalb eines verbesserten Plant Rhizome Growth Optimization-Frameworks vereint, um die Anpassungsfähigkeit, statistische Robustheit und Sensitivität gegenüber Variationen im Klartext zu erhöhen.
Diese Arbeit stellt den Marangoni-Effekt-Algorithmus (MEA) vor, eine neuartige, physik-inspirierte Metaheuristik, die oberflächenspannungsgetriebene Strömungen nachahmt, um Exploration und Exploitation effektiv auszubalancieren, wobei sie im Vergleich zu etablierten Algorithmen über 23 Benchmark-Funktionen hinweg eine überlegene Konvergenzgeschwindigkeit, Genauigkeit und Robustheit demonstriert.
Dieses Paper schlägt UDVSPecls vor, ein Escrow-resistentes, zertifikatsloses Universal Designated-Verifier-Signaturverfahren, das eine sichere, nicht übertragbare und datenschutzwahrende Verifizierung von Schwachstellen-Evidenzen über digitale Power-Cloud-Infrastrukturen hinweg ermöglicht und gleichzeitig das der traditionellen identitätsbasierten Systeme inhärente Key-Escrow-Problem eliminiert.
Dieses Paper schlägt ein kollaboratives, experten-tiefengesteuertes Framework vor, das die monokulare endoskopische 3D-Gaussian-Rekonstruktion durch die Fusion von Multi-Modell-Tiefenvorhersagen für eine robuste Initialisierung und den Einsatz einer Tri-Domain-Pyramiden-Regularisierung zur verfeinerten Optimierung verbessert und so eine State-of-the-Art-Rendering-Fidelität sowie Detailerhaltung auf chirurgischen Datensätzen erreicht.
Dieses Paper stellt AdaptiveCache vor, eine selbstoptimierende Hashtabelle, die basierend auf Echtzeit-Arbeitslastmustern dynamisch zwischen SwissTable, Robin-Hood-Hashing und einer neuartigen GraveyardTable-Struktur wechselt und dabei durch den Einsatz von maschinellem Lernen gesteuerter Entscheidungsrichtlinien eine Effizienz von bis zu 89,7 % im Vergleich zu einer Oracle-Baseline erreicht, um Migrationskosten zu minimieren und sich an dynamische Lese-Schreib-Lösch-Verhältnisse anzupassen.
Dieses Paper führt ein äquivalenzbewusstes Evaluierungsframework unter Verwendung von gematchten gewichteten Graph-Kontrollgruppen ein, um zu demonstrieren, dass Hypergraph-Modelle für maschinelles Lernen bei der Modellierung wissenschaftlicher Signale oft keinen prädiktiven Nutzen gegenüber ihren Graph-Gegenstücken bieten, und etabliert damit ein Validierungsprinzip, wonach Ansprüche höherer Ordnung gegen paarweise Kontrollen getestet werden müssen, anstatt sie allein aus der Repräsentation abzuleiten.
Dieses Paper schlägt eine deterministische, Nicht-LLM-basierte Validierungsarchitektur für klinische Data Reviewer's Guides vor, die trotz geringerer Abdeckung die LLM-basierte Selbstverifizierung hinsichtlich der Fehlererkennung und der Genauigkeit des Enddokuments signifikant übertrifft, indem sie probabilistische Prüfungen durch direkte Metadaten-Abfragen ersetzt.
Diese retrospektive Längsschnittstudie im Feld über drei Softwaremodernisierungsprogramme zeigt, dass, während frühe KI-Mensch-Kollaborationskonfigurationen die Geschwindigkeit auf Kosten der Qualität verbesserten, reife Konfigurationen, die Akzeptanzkriterien-Validierung, repository-native Reviews und hybride Ausführung integrieren, die Lieferzeiten signifikant beschleunigten und gleichzeitig Validierungsprobleme reduzierten sowie die Erstveröffentlichung-Abdeckung erhöhten.