929 Arbeiten
Dieses Papier führt einen leichtgewichtigen, ordnungssensitiven Heisenberg-Lift-Deskriptor ein, der eine terminale orientierte Fläche und eine fünfzehndimensionale Erweiterung aufweist und die Genauigkeit der Online-Handschrifterkennung signifikant verbessert, indem er Informationen über die Strichtraversierungsrichtung erfasst, die traditionelle euklidische Deskriptoren übersehen.
Diese Studie bewertet die Vertrauenswürdigkeit der Erklärungsmethoden LIME, Parzen und Greedy bei Klassifikationsmodellen für religiöse Texte und Bilder und stellt fest, dass LIME die anderen unter den spezifischen Bedingungen des binären Textdatensatzes und des begrenzten Bildumfangs konsistent bei der Identifizierung nicht vertrauenswürdiger Merkmale übertrifft.
Dieses Paper führt ein adaptives interpolierendes Subdivisionsverfahren ein, das lokale Einfügewinkel über einen kompakten kantenbasierten Prädiktor lernt, um festen Spannungs-Baselines hinsichtlich Genauigkeit und Glattheit über euklidische, sphärische und hyperbolische Geometrien hinweg zu übertreffen, während die Garantie gewahrt bleibt, dass die verfeinerten Kurven durch die ursprünglichen Kontrollpunkte verlaufen.
Dieses Paper präsentiert X-WAF, ein hybrides Machine-Learning-Framework, das ein Ensemble von Klassifikatoren mit SHAP-gesteuerter Erklärbarkeit kombiniert, um eine hochpräzise, latenzarme Erkennung von Zero-Day-Webangriffen zu erreichen und Erkenntnisse automatisch in handlungsrelevante ModSecurity-Regeln für eine nahtlose Integration in bestehende Sicherheitsinfrastrukturen zu übersetzen.
Dieses Paper stellt StrokeID-NER vor, einen öffentlich verfügbaren indonesischen Datensatz aus 1.742 von Patienten generierten Gesundheitsanfragen, die auf schlaganfallbezogene benannte Entitäten annotiert wurden, welcher dazu verwendet wurde, zu demonstrieren, dass feinabgestimmte Transformer-Modelle Zero-Shot-Baselines bei der Erkennung informeller und regionaler medizinischer Terminologie signifikant übertreffen, während gleichzeitig hervorgehoben wird, dass zukünftige Leistungssteigerungen primär von der Erweiterung der lexikalischen Abdeckung statt von der Modellarchitektur abhängen.
Diese Studie führt ein skalierbares, theoretisch fundiertes Agentic-AI-Framework ein, das die Glaubwürdigkeit unternehmerischer SDG-Behauptungen anhand einer fünfdimensionalen Rubrik rigoros bewertet und aufzeigt, dass während die meisten Offenlegungen teilweise substanziell sind, Unternehmen ihr tatsächliches Nachhaltigkeitsengagement häufig untertreiben.
Diese Studie schlägt ein verbessertes Mask R-CNN-Framework vor, das durch Histogramm-Equalisierung und den Adam-Optimizer optimiert wurde, um eine mAP von 90,4 % bei der Detektion und Instanzsegmentierung von Schlaglöchern auf Straßen zu erreichen, was das Basismodell für die intelligente Straßenüberwachung signifikant übertrifft.
Diese Arbeit zeigt, dass klassenbedingte Denoising Diffusion Probabilistic Models (DDPMs) die starke Klassenimbalance in der vorausschauenden Instandhaltung effektiv mildern, indem sie hochpräzise Stichproben der Minderheitenklasse synthetisieren, wobei sie traditionelle Augmentierungsmethoden wie SMOTE und GANs bei der Erkennung seltener industrieller Ausfälle signifikant übertreffen.
Dieses Paper führt Causal Retrieval-Augmented Generation (CR-RAG) ein, ein Framework, das die RAG-Pipeline als strukturelles Kausalfunktionsmodell modelliert, um durch Backdoor-Adjustment, Inverse-Propensity-Reweighting und kontrafaktische Datenaugmentation Scheinkorrelationen zu mildern und Halluzinationen zu reduzieren, wobei es signifikante Leistungssteigerungen bei wissensintensiven Benchmarks erzielt, insbesondere bei Long-Tail-Fragen.
Dieses Paper schlägt ein neuartiges Diffusions-Framework für die Bildrestaurierung vor, das eine interaktive Modellierung von Determinismus und Stochastizität einsetzt, um sich effektiv an die heterogenen Anforderungen vielfältiger Degradationsaufgaben anzupassen und eine überlegene Leistung sowie Interpretierbarkeit über mehrere Restaurierungsszenarien hinweg zu erreichen.