927 Arbeiten
Dieses Paper schlägt einen auf LLMs basierenden Ansatz zur Testfallgenerierung vor, der durch ein Projektgedächtnis-Repository ergänzt wird, welches historische Daten und Release-Kontexte integriert, um die Risikoabdeckung signifikant zu verbessern, Duplikationen zu reduzieren und die Defekterkennung in groß angelegten Softwaresystemen zu erhöhen.
Diese Arbeit etabliert eine vorläufige MATLAB-basierte CNN-Baseline für die binäre Klassifizierung von malignen gegenüber nicht-malignen Brustultraschallbildern unter Verwendung des BrEaST-Datensatzes, wobei eine verbesserte Testgenauigkeit erzielt wird, während die explorative Subtyp-Kennzeichnung und Erklärbarkeit explizit als zukünftige Forschungsrichtungen statt als validierte Ergebnisse formuliert werden.
Dieses Paper präsentiert ein modulares Framework für differenzierbare Programmierung, das Interpretierbarkeit direkt in ein Modell einer kontinuierlichen Zeit-Markow-Kette für die klinische Entscheidungsunterstützung integriert, indem es Übergangsraten in klinisch bedeutsame Faktoren zerlegt, deren Sensitivitäten mittels stochastischer automatischer Differenzierung berechnet und in Echtzeit nachvollziehbare Erklärungen in natürlicher Sprache generiert.
Diese Studie vergleicht die Leistungsfähigkeit von NLTK, TextBlob und spaCy im Umgang mit Garden-Path-Sätzen, die durch Funktionsverschiebungen verursacht werden, wobei festgestellt wurde, dass spaCy die anderen beiden Bibliotheken in Bezug auf die syntaktische Genauigkeit signifikant übertrifft und Einblicke zur Verbesserung von NLP-Werkzeugen bietet, einschließlich solcher für afrikanische Sprachen.
Dieses Paper präsentiert eine Referenzarchitektur und eine Open-Source-Implementierung, die maschinelles Lernen und Operations Research in der Lieferkettenplanung durch die Integration von konformer probabilistischer Prognose mit szenariobasierter stochastischer Routenplanung überbrückt und durch einen synthetischen Backtest empirisch nachweist, dass unkalibrierte Quantilsprognosen zu erheblicher Unterdeckung und Out-of-Stock-Risiken führen, wodurch die Notwendigkeit kalibrierungsbewusster Schnittstellen für eine zuverlässige Entscheidungsunterstützung validiert wird.
Dieses Paper führt ein dematerialisiertes Teleoperations-Framework auf Basis der kinematischen Entkopplungstheorie ein, das die Notwendigkeit physischer kinästhetischer Zwillinge eliminiert, indem es die menschliche Intention im Informationsraum orthogonal zerlegt, wodurch eine Zero-Shot-Generalisierung über diverse Roboter-Morphologien hinweg erreicht und der lang gehegte Glaube widerlegt wird, dass physisches Kraftfeedback für eine intuitive robotergestützte Steuerung essenziell ist.
Cethraian-X ist ein Open-Source-, Leakage-freier Benchmark für die Multi-Label-Klassifizierung von Thorax-Röntgenaufnahmen unter Verwendung des NIH ChestX-ray14-Datensatzes, der durch Multi-Seed-Evaluierung, Kalibrierungsanalyse und Erklärbarkeitstools strenge Reproduzierbarkeitsstandards etabliert, um einen transparenten Vergleich zukünftiger Methoden zu ermöglichen.
Dieses Paper präsentiert ein Framework zur semantischen Verfolgung für auf LLMs basierende Multi-Agenten-Systeme unter Verwendung von LangChain, LangGraph und LangSmith innerhalb des SHADOWAI-RISK-Prototyps und zeigt auf, dass die Integration semantischer Evaluierung die semantische Drift sowie Constraint-Verletzungen signifikant reduziert, während sie nur einen moderaten Latenzanstieg und null lokale Kosten verursacht.
Dieses Paper präsentiert und evaluiert eine Automated Learning Engine (ALE), die über standardmäßiges RAG hinausgeht, indem sie ein multi-LLM-orchestriertes System mit hybriden Retrieval- und State-Machine-Workflows einsetzt und im Vergleich zu Baseline-Konfigurationen eine signifikant verbesserte faktische Genauigkeit, kontextuelle Relevanz sowie reduzierte Halluzinationsraten bei der Synthese von Unternehmenswissen nachweist.
Durch empirische Experimente an einem festen Pool von 24 Millionen Token zeigt diese Arbeit auf, dass aggressives Qualitätsfiltering unter einem festen Rechenbudget oft die Modellleistung beeinträchtigt, indem es übermäßige Datenrepetition erzwingt, während das Beibehalten von qualitativ minderwertigeren Daten und das Oversampling hochwertiger Teilmengen über verschiedene Zielvorgaben hinweg überlegene oder gleichwertige Ergebnisse liefert.