3854 Arbeiten
Das Papier stellt typic-bert vor, ein kompaktes, offenes Entscheidungsmodell mit 396 Mio. Parametern, das größere Gegenstücke in Bezug auf Genauigkeit und Geschwindigkeit übertrifft und gleichzeitig die Robustheit gegenüber Ablenkungen durch langen Kontext beibehält, indem es strukturierte Urteile direkt vorhersagt, ohne Text zu generieren.
Diese Arbeit befasst sich mit den ethischen Herausforderungen der Online-Software-Experimentierung, indem sie ein umfassendes Wissensgebiet etabliert, das 16 Faktoren, 48 Probleme und 53 Lösungen umfasst, und das Cactus-Modell einführt, um Experten dabei zu unterstützen, ethische Bedenken zu identifizieren, über Abwägungen zu argumentieren und Entscheidungen während der Experimentplanung zu rechtfertigen.
Dieses Paper stellt PAK vor, den ersten synthetischen Persona-Datensatz der koreanischen Kultur- und Kunstarbeiterschaft, bestehend aus 30.000 statistisch fundierten Personas, die mittels iterativer proportionaler Anpassung aus dem Survey of Korean Artists 2024 rekonstruiert wurden, zusammen mit einer umfassenden Evaluierung seiner distributionsspezifischen Genauigkeit und narrativen Qualität.
Diese Studie zeigt, dass Ensemble-Machine-Learning-Methoden, insbesondere XGBoost und SMOTE-verbesserte Voting-Klassifikatoren, eine hohe Genauigkeit (bis zu 98,19 %) und eine verbesserte Seizure-Recall bei der Klassifizierung von EEG-Signalen erreichen, während sie gleichzeitig die entscheidende Bedeutung der Datenintegrität durch die Korrektur eines Datensatz-Provenienzfehlers hervorheben.
Das Papier stellt MedConclusion vor, einen groß angelegten Datensatz aus 5,7 Millionen strukturierten biomedizinischen Abstracts, der darauf ausgelegt ist, die Fähigkeit großer Sprachmodelle zur Generierung wissenschaftlicher Schlussfolgerungen aus strukturierten Belegen zu bewerten und voranzutreiben.
Diese Arbeit führt ein Dekompositions-Framework und ein leckagefreies Evaluierungsprotokoll ein, um zu zeigen, dass scheinbare Klassifikationsgewinne durch generative Augmentierung bei der Parkinson-Krankheits-Diagnose oft Artefakte von Evaluierungsleckagen sind, wobei aufgezeigt wird, dass die Balance im latenten Raum zwar hochfrequente synthetische Daten erzeugt, jedoch die Modellleistung gegenüber unaugmentierten Baselines nicht verbessert.
Diese Studie schlägt ein multimodales Framework vor, das Augenbewegungs-, Beleuchtungs- und Fahrzeuggeschwindigkeitsdaten mit einem neuartigen RaceGrid-OPTICS-Clustering-Algorithmus und einem WA-PSRSMformer-Deep-Learning-Modell integriert, um die visuelle Belastung von Fahrern unter dynamischen Lichtbedingungen präzise zu bewerten und vorherzusagen, wobei eine Genauigkeit von 90,13 % in Tunnelumgebungen erreicht wird.
Entgegen der vorherrschenden Annahme, dass Multi-Agenten-Systeme Einermodellen überlegen sind, zeigt diese Studie, dass in ressourcenbeschränkten Primärversorgungseinrichtungen ein einzelnes leistungsstarkes lokales LLM (GPT-oss-20b) eine überlegene diagnostische Genauigkeit, Sicherheit und Latenz im Vergleich zu komplexen Multi-Agenten-Architekturen erreicht, wodurch sie für „Lean AI“-Strategien anstelle von rechenintensiven Ensemble-Workflows plädiert.
Diese Arbeit präsentiert ein simulationsbasiertes Framework zur Bestimmung der erforderlichen Stichprobengröße in gepaarten klinischen KI-Benchmark-Evaluierungen, um die Einschränkungen traditioneller Methoden zu adressieren, wobei durch eine Dyslipidämie-Studie demonstriert wird, dass die vorab berechnete Bankgröße und nicht allein die Systemleistung darüber entscheidet, ob vergleichende Schlussfolgerungen statistisch erreichbar sind.
Dieses Paper führt MineralBench ein, einen umfassenden Evaluierungs-Benchmark mit drei spezialisierten Aufgaben und vier Metriken, um die Leistung von 13 großen Sprachmodellen im Bereich der mineralischen Ressourcen systematisch zu bewerten und zu vergleichen, wobei signifikante Leistungsunterschiede zwischen allgemeinen und domänenspezifischen Fähigkeiten sowie die aufgabenabhängige Natur des Fine-Tunings aufgezeigt werden.