2305 Arbeiten
Dieses Paper stellt InterGRACE vor, ein integriertes, durch Gradienten gesteuertes adversariales Framework, das klinisch bedeutsame kontrafaktische Erklärungen für 12-Kanal-EKGs generiert, indem es auf entscheidungsrelevante Merkmale wie das ST-Segment und die T-Welle abzielt und somit die Interpretierbarkeit von KI-Modellen für die Detektion von Myokardinfarkten verbessert.
Diese Studie zeigt, dass Fairness-bewusste maschinelle Lernmodelle, insbesondere solche, die Techniken zur Bias-Mitigierung wie den Disparate Impact Remover und Adversarial Debiasing einsetzen, geschlechtsspezifische Disparitäten bei der Klassifizierung der Alzheimer-Krankheit unter Verwendung von ADNI-Daten signifikant reduzieren können, während sie gleichzeitig eine hohe Vorhersagegenauigkeit beibehalten und die Interpretierbarkeit klinischer sowie geschlechtsspezifischer Determinanten verbessern.
Dieses Paper führt eine automatisierte, kontaminationskontrollierte Benchmarking-Pipeline ein, die Multiple-Choice-Fragen aus privaten 3D-Onkologie-Bildgebungs- und Radiologieberichten generiert, um Vision-Language-Modelle rigoros zu evaluieren, wobei aufgezeigt wird, dass aktuelle Modelle häufig eher auf Textreizen oder Datensatzbekanntheit basieren als auf echter visueller Wahrnehmung.
Dieses Paper stellt DualAttentionNet vor, ein leichtgewichtiges Deep-Learning-Framework, das das traditionelle EEGNet durch die Integration von Dual-Channel-Attention-Blöcken erweitert, um eine State-of-the-Art-Genauigkeit von 92,36 % bei der Multi-Class-EEG-Ziffern-Dekodierung zu erreichen und gleichzeitig Robustheit, Interpretierbarkeit sowie Recheneffizienz zu gewährleisten.
Diese Arbeit präsentiert eine systematische Literaturübersicht (2020–2025) über KI-basierte Android-Malware-Detektionssysteme, analysiert deren Anfälligkeit gegenüber adversen Angriffen, evaluiert bestehende Verteidigungsstrategien und identifiziert kritische Lücken sowie zukünftige Forschungsrichtungen zur Erzielung einer robusten und vertrauenswürdigen Sicherheit.
LC-MSCKF verbessert die Genauigkeit der visuell-inertialen Odometrie durch den Einsatz einer hybriden zweistufigen Unsicherheitskalibrierungsstrategie, die einen leichtgewichtigen gelernten Zweig zur Antizipation von Degradation mit einem Innovations-Feedback-Zweig zur beschränkten korrektiven Inflation kombiniert und dabei feste sowie einzweigige adaptive Baselines über verschiedene Benchmarks hinweg signifikant übertrifft.
Diese Studie zeigt, dass die automatisierte Sprachanalyse klinischer Interviews mittels Transformer-basierter Modelle und Ensemble-Strategien eine Major Depression bei kantonesisch sprechenden Personen effektiv erkennen kann, was die Verarbeitungseffizienz signifikant verbessert, während gleichzeitig die Bedeutung der Transkriptionsqualität und des Gesprächskontexts für eine optimale Leistung hervorgehoben wird.
Dieses Paper präsentiert GMD-YOLO26, einen leichtgewichtigen, auf UAVs basierenden Detektor, der eine synergistische dreistufige Pipeline bestehend aus Gated Convolutional Feature Enhancement, Multi-Scale Dilated Attention und Dynamic Cross-scale Feature Aggregation einsetzt, um die Herausforderungen der Detektion kleiner Objekte effektiv zu bewältigen und gleichzeitig ein günstiges Genauigkeits-Effizienz-Verhältnis im VisDrone2019-Benchmark zu erreichen.
Dieses Paper präsentiert ein lokal einsetzbares, auf Knowledge Distillation basierendes 4B-Sprachmodellsystem, das die standardisierte Qualitätskontrolle chinesischer Radiologieberichte effektiv automatisiert und dabei eine hohe Präzision sowie eine signifikant verbesserte Inferenzgeschwindigkeit im Vergleich zu größeren Teacher-Modellen erreicht.
Dieses Paper schlägt ein Framework zur Konstruktvalidität vor, das ethische KI als ein kontextabhängiges, höherwertiges Konstrukt konzeptualisiert, welches Fairness, Transparenz und Erklärbarkeit umfasst, und bietet damit einen theoretisch fundierten Pfad zur Entwicklung auditierbarer Messstandards für die regulatorische Compliance und die empirische Forschung.