5614 Arbeiten
Die Arbeit stellt FG-CLTP vor, ein feinabgestimmtes kontrastives Vorpretraining-Framework, das quantitative taktile 3D-Punktwolken-Daten nutzt, um die Genauigkeit bei der Roboter-Manipulation zu steigern und eine robuste multimodale Steuerung für kontaktreiche Aufgaben zu ermöglichen.
Der vorgestellte Ansatz BiLaLoRA verbessert das Entnebeln realer Bilder durch eine CLIP-gesteuerte, unüberwachte Verlustfunktion und eine adaptive Strategie zur automatischen Suche nach optimalen LoRA-Injektionsschichten, um die Anpassungsfähigkeit an diverse Haze-Szenarien zu erhöhen.
Die Autoren stellen eine hierarchische Architektur vor, die Reinforcement Learning mit Modellprädiktiver Regelung koppelt, um durch das Lernen von Gangmustern in der Simulation den rechenintensiven Abtastzeitpunkt für Kontakten zu entlasten und dabei eine erfolgreiche Null-Shot-Übertragung von der Simulation auf reale, nicht-gangbasierte und hybride Laufroboter ohne Domänenrandomisierung zu ermöglichen.
Die Studie stellt VoxCare vor, ein skalierbares, datenschutzkonformes System zur Echtzeiterfassung von Kommunikationsmustern medizinischer Fachkräfte über tragbare Audio-Sensoren, um durch die Analyse von Sprechaktivität und vokaler Erregung Rückschlüsse auf Arbeitsbelastung und Stress im klinischen Alltag zu ziehen und so die Patientenversorgung zu verbessern.
Der Paper stellt S2D vor, eine neuartige Pipeline, die durch einen effizienten Diffusionsprozess und eine robuste Rekonstruktionsstrategie spärliche Punktwolken in hochwertige, dichte 3D-Gaussian-Splatting-Rekonstruktionen umwandelt und damit die Anforderungen an die Eingabedaten für 3D-Anwendungen minimiert.
Diese Arbeit formalisiert die semantischen Grenzen der autoritativen DNS-Antwortauswahl als einen durch das Protokoll definierten, beschränkten Bereich und beweist, dass jede solche Auswahlfunktion eine endliche Normalform besitzt, was eine prinzipielle Analyse von Komposition und Äquivalenz über verschiedene Systeme hinweg ermöglicht.
Diese Studie untersucht den Einfluss von CNN-Architekturen und Daten-Augmentierung auf die Genauigkeit und Recheneffizienz in verteilten Lernumgebungen, um Optimierungsansätze für ressourcenintensive Szenarien zu liefern.
Der vorgestellte Ansatz ermöglicht eine trainingsfreie, mehrstufige Inferenz für die Extraktion von Zielsprechern durch iterative Verfeinerung eines eingefrorenen vortrainierten Modells, wobei eine gemeinsame Optimierung mehrerer Metriken eine kontrollierbare Anpassung für den praktischen Einsatz ohne Ground-Truth-Referenzen erlaubt.
Diese Studie zeigt, dass die Implementierung des Singleton-Musters und der Batch-Verarbeitung in den beiden neuen RPA-Architekturen OC-RPAv1 und OC-RPAv2 die Vorhersagezeit bei der Erkennung von Mundkrebsläsionen von 0,29 auf 0,06 Sekunden pro Bild reduziert und somit eine 60- bis 100-fache Effizienzsteigerung gegenüber Standardmethoden ermöglicht.
Die vorgestellte Arbeit stellt ein lebenslanges Imitationslern-Framework vor, das durch multimodale latente Wiedergabe und eine inkrementelle Anpassung mit Winkelrandbeschränkung das kontinuierliche Lernen unter Speicherbeschränkungen ermöglicht und gleichzeitig das Vergessen reduziert, wodurch neue State-of-the-Art-Ergebnisse auf den LIBERO-Benchmarks erzielt werden.
Die Arbeit stellt den Huffman-Bucket-Sketch vor, eine speichereffiziente und zusammenführbare Datenstruktur, die HyperLogLog-Sketches durch verlustlose Huffman-Kodierung der Registerwerte in Bits komprimiert und dabei amortisierte konstante Update-Zeiten sowie Merge-Fähigkeit beibehält.
Die Studie stellt CBCTRepD vor, ein KI-gestütztes System zur Generierung von zahnärztlichen CBCT-Berichten, das auf einem großen Datensatz trainiert wurde und nachweislich Radiologen aller Erfahrungsstufen durch verbesserte Berichtqualität, Standardisierung und die Reduzierung von Diagnosefehlern unterstützt.
Die Arbeit stellt STADA vor, ein spezifikationsbasiertes Testframework für autonome Fahragenten, das Szenarien systematisch aus formalen LTLf-Spezifikationen generiert und dabei im Vergleich zu bestehenden Baselines eine deutlich höhere Abdeckung bei gleichzeitig deutlich reduziertem Simulationsaufwand erreicht.
Der Artikel untersucht minimale unerfüllbare Teilmengen von 2-CNF-Formeln, indem er einen linearen Erkennungsalgorithmus für 2-MUs vorstellt, die Komplexität des Findens spezifischer MUS-Varianten analysiert und einen inkrementellen Polynomzeit-Algorithmus für MUSs mit mindestens einer Unit-Klausel entwickelt.
Diese Arbeit stellt SSL-V3 vor, einen selbstüberwachten Video-Vision-Transformer, der durch die Integration einer No-Reference-Videoqualitätsbewertung (VQA) die Klassifizierung von Videos, insbesondere bei unscharfen Aufnahmen wie im medizinischen Bereich, erheblich verbessert.
Die Arbeit stellt Med-DualLoRA vor, ein privatsphäreschonendes, federiertes Feinabstimmungsframework für medizinische Basismodelle, das durch die Trennung global geteilter und lokaler Parameter die Anpassung an heterogene 3D-Herz-MRT-Daten verbessert und dabei die Kommunikationskosten sowie Datenschutzrisiken minimiert.
Die Arbeit stellt VCR vor, einen neuartigen Rahmen für die Bildverbesserung bei schwachem Licht, der durch die Module zur kanalspezifischen Anpassung und zur Farbdistributionsausrichtung die Entkopplung von Helligkeit und Farbe verbessert und so natürliche Ergebnisse ohne Rauschen liefert.
Dieser Bericht fasst die Diskussionen und strategischen Empfehlungen des NSF-Workshops vom September 2024 zusammen, der interdisziplinäre Experten zusammenbrachte, um einen fundamentalen Wandel im Entwurf, der Validierung und der klinischen Translation von medizinischen Technologien durch algorithmisch-hardwarebasierte Co-Design-Ansätze zu fordern.
Diese Arbeit stellt einen adaptiven Regelungsrahmen vor, der eine Impedanzregelung mit einem Reinforcement-Learning-Agenten kombiniert, um Roboter zu befähigen, heterogene Materialien in Laborvials durch dynamische Anpassung der Kontaktkräfte effizienter abzusammeln als herkömmliche Ansätze.
Die Arbeit stellt PPGuide vor, einen leichten, klassifikatorbasierten Ansatz, der vortrainierte Diffusionspolicies durch eine selbstüberwachte Performance-Vorhersage zur Vermeidung von Fehlermoden steuert und so die Robustheit bei robotischen Manipulationsaufgaben verbessert.