3854 Arbeiten
Dieses Paper präsentiert ein praktisches, wartbares Framework zur Evaluierung von Multi-Turn-Business-Agenten, das modulare LLM-Judges, absichtserhaltende Nutzersimulation und Human-in-the-Loop-Governance integriert, um eine zuverlässige, handlungsrelevante Messung der Agentenleistung und geschäftlichen Wissenslücken zu gewährleisten.
Dieses Paper präsentiert ein Gedächtnissystem für eingefrorene Sprachmodelle, das ein externes Logbuch mit periodischer LoRA-basierter Konsolidierung kombiniert und dabei eine hohe Genauigkeit sowie Stabilität über die Zeit erreicht, während es die Rechenkosten im Vergleich zu Knowledge-Editing- und RAG-Methoden signifikant reduziert, wenngleich es noch mit scheinbarer Komposition bei ungelehrten Relationen zu kämpfen hat.
Dieses Paper stellt die Chestnut Strategy (CS-GA) vor, einen naturinspirierten genetischen Algorithmus, der neun aus dem Lebenszyklus des chinesischen Kastanienbaums abgeleitete Operatoren integriert, um die Populationsdiversität effektiv zu steuern und klassische genetische Algorithmen sowohl bei kontinuierlichen Optimierungs-Benchmarks als auch bei kombinatorischen 2D-Rucksackproblemen signifikant zu übertreffen.
Dieses Paper schlägt ein auf Transformern basierendes Single-Image-Dehazing-Netzwerk vor, das physikalische Prior-Leitlinien mit adaptiver Merkmalsmodulation integriert, um räumlich nicht-uniformen Dunst effektiv zu bewältigen und gleichzeitig feine strukturelle Details zu bewahren, wobei es eine State-of-the-Art-Leistung auf mehreren Benchmark-Datensätzen erzielt.
Dieses Papier schlägt das Predictive Synchronization-Externality-Aware Rolling Online Scheduling (P-SEAROS) vor, eine Methode, die direkte Auftragskosten von nachgelagerten Synchronisationsbelastungen entkoppelt, um die Systemkosten bei der autonomen RoboVan-Drohnen-kollaborativen Zustellung signifikant zu senken und gleichzeitig die Echtzeit-Recheneffizienz aufrechterhalten.
Dieses Papier mit dem Titel „Persistence Landscapes Across Privacy Budgets for Explanation Methods Across Differential Privacy Mechanisms“ wurde von seinen Autoren am 29. September 2026 zurückgezogen, da sie seine Ergebnisse und Schlussfolgerungen nicht mehr unterstützen und darum bitten, dass es nicht zitiert wird.
RepShard ist ein reputationsbasiertes Blockchain-Sharding-Schema, das ein sigmoidales Wachstumsmodell, einen Anreizmechanismus und ein hybrides PBFT-PoR-Konsensprotokoll einsetzt, um den Durchsatz zu erhöhen, Bestätigungsverzögerungen zu reduzieren und die Sicherheit gegen verschiedene Angriffe zu stärken, während gleichzeitig die Komplexität der Shard-Rekonstruktion von O(n²) auf O(n) gesenkt wird.
Dieses Papier führt ein adaptives Multiresolutions-Gauß-Prozess-Framework ein, das durch die Nutzung datensparsamer Kovarianzmatrizen, die aus direkt an den Stichproben verankerten, kompakt gestützten Basisfunktionen abgeleitet werden, einen skalierbaren, exakten Inferenzansatz mit Zeit- und Speicherkosten erreicht, wodurch die Notwendigkeit zusätzlicher Stützpunkte entfällt, Prädiktionsdiskontinuitäten vermieden werden und realistischere Unsicherheitsschätzungen bereitgestellt werden.
Diese empirische Studie zeigt, dass ein Multilayer-Perzeptron (MLP) fünf klassischen Algorithmen des maschinellen Lernens bei der Priorisierung von Testfällen innerhalb von Continuous-Integration-Umgebungen signifikant überlegen ist, wobei es eine überlegene Fehlererkennungseffizienz und statistische Signifikanz über mehrere industrielle Datensätze hinweg erreicht.
Diese Studie schlägt ein kulturell beschränktes KI-XR-Framework für indonesischen Batik vor und evaluiert dieses, wobei demonstriert wird, wie die Integration von generativer KI mit kultureller Symbolvalidierung die wahrgenommene Servicequalität, die kulturelle Authentizität und das Nutzerengagement im Vergleich zu traditionellen oder nicht beschränkten digitalen Erlebnissen signifikant verbessert.