2364 Arbeiten
Dieses Paper schlägt eine Methode zur Schätzung der vollständigen 3D-Form und Pose transparenter Objekte aus einem einzelnen RGB-D-Bild vor, indem YOLO11 für die initiale Detektion genutzt und ein kategoriespezifisches statistisches Formmodell iterativ optimiert wird, um die Einschränkungen konventioneller Tiefensensoren zu überwinden.
CAPE-Net ist ein konformes, adaptives und driftbewusstes Early-Exit-Klassifizierungsmodell, das es Internetdienstanbietern ermöglicht, eine präzise, zertifizierte und wartbare Klassifizierung von verschlüsseltem Datenverkehr auf Basis von Paketsequenz-Metadaten durchzuführen, indem es verteilungsfreie Fehlertoleranzgarantien, die Enthaltung bei unbekannten Anwendungen sowie effiziente per-Klasse Drift-Reparatur in einem einzigen kompakten Modell integriert.
Dieses Paper schlägt ein Blockchain-gestütztes, auf Richtlinien basierendes Zugriffskontrollframework (Policy-Based Access Control, PBAC) vor und evaluiert dieses, welches auf Hyperledger Besu unter Verwendung von Solidity Smart Contracts implementiert wurde, um einen sicheren, DSGVO-konformen und patientenzentrierten Austausch medizinischer Daten mit dynamischer Einwilligung und transparenter Auditierung zu erreichen, wobei ein ausgewogener Kompromiss zwischen Effizienz der Leistung und Patientenautonomie über verschiedene Konsensmechanismen hinweg demonstriert wird.
Diese systematische Literaturübersicht, die den PRISMA-2020-Leitlinien folgt, analysiert 32 Studien über den Einsatz großer Sprachmodelle für die mathematische Entdeckung, um sieben technische Paradigmen zu identifizieren, die überlegene Wirksamkeit der evolutionären Suche in Kombination mit formaler Verifizierung hervorzuheben und eine Taxonomie bereitzustellen, die die zukünftige Forschung auf diesem Gebiet leitet.
Dieses Paper schlägt eine Methode zur Erkennung von IIoT-Cyberangriffen vor, die Techniken zur Verarbeitung von Klassenungleichgewichten, wie etwa Borderline-SMOTE, mit einem CNN–BiLSTM–Attention-Modell kombiniert, um die Erkennung von Minderheitsklassen von Angriffen sowie die allgemeine Detektionsleistung auf dem TON-IoT-Datensatz signifikant zu verbessern.
Dieses Paper stellt TrustSLM vor, ein vertrauensbewusstes Framework, das die Ausgaben mehrerer großer Sprachmodelle unter Verwendung von Zuverlässigkeitsmetriken aggregiert, um Halluzinationen zu erkennen, das Genauigkeitsparadoxon übermäßig selbstbewusster Fehler zu identifizieren und Antworten durch eine kontrollierte Enthaltungsstrategie für einen sichereren KI-Einsatz zu regulieren.
Dieses Paper schlägt YOLOv11-AHFE vor, einen neuartigen Algorithmus zur Oberflächenfehlererkennung, der eine Dual-Stream-Wavelet-Transformation und ein Hochfrequenz-Enhancement-Modul in die YOLOv11-Architektur integriert, um kritische hochfrequente Details, die bei herkömmlichem Downsampling verloren gehen, zu bewahren und wiederherzustellen, wodurch die Erkennung komplexer und kleinskaliger Defekte auf Metalloberflächen signifikant verbessert wird.
Diese Arbeit zeigt auf, dass die Anwendung eines Minimax-Trainingsziels, welches Netzwerk-Redesign-Agenten gegen ein dynamisch neu berechnetes Worst-Case-Angriffsportfolio anstatt gegen eine einzelne feste Strategie optimiert, die „Adaptive Degradation Gap“ signifikant schließt und Topologien mit überlegener Worst-Case-Robustheit gegenüber aufgestellten Rekognoszierungs-fähigen Akteuren hervorbringt, unabhängig von dem verwendeten Optimierer.
Dieses Paper schlägt AGHA-Net vor, ein neuartiges Deep-Learning-Framework, das adaptive Graph-Konvolutionen, spatiotemporale Gated Recurrent Units und einen Dual-Branch-Hybrid-Attention-Mechanismus integriert, um die Genauigkeit und Stabilität der kurzfristigen Vorhersage des Fahrgastaufkommens im städtischen Schienenverkehr durch die effektive Erfassung dynamischer räumlicher Abhängigkeiten und komplexer zeitlicher Muster signifikant zu verbessern.
Dieses Paper präsentiert und evaluiert eine Offline-Hybrid-Pipeline zur De-Identifizierung brasilianisch-portugiesischer klinischer Datensätze unter Verwendung lokaler Open-Weight-Sprachmodelle und regelbasierter Filter, wobei eine hohe Recall-Rate und Stabilität auf bescheidener Hardware demonstriert wird, ohne dass ein aufgabenspezifisches Fine-Tuning erforderlich ist.