2385 Arbeiten
Dieses Paper stellt den Symbiotic Convolution Block (SCB) vor, ein leichtgewichtiges, nicht-attentives Modul, das durch fusionierte Faltungskarten eine implizite Merkmalsrekalibrierung und -diversifizierung erreicht und somit eine recheneffiziente Alternative zu Aufmerksamkeitsmechanismen für Bildklassifizierungsaufgaben bietet.
Diese Studie schlägt ein hybrides Framework vor, das ein fein abgestimmtes DeBERTa-v3-Modell, welches neutrale Sentiment-Aspekte in Finanznachrichten effektiv erfasst, mit technischen Indikatoren integriert, um die Genauigkeit der Richtungsprognose des NIFTY 50 Index im Vergleich zu rein preisbasierten Baselines signifikant zu verbessern.
Dieses Paper schlägt GeoRel-CLIP vor, ein geometrie-regularisiertes relationales Destillationsframework, das die Zero-Shot-Erkennung von CLIP durch die gemeinsame Optimierung der globalen geometrischen Verteilung und der lokalen relationalen Struktur verbessert, um Modalitätslücken und Repräsentationskollaps während des Post-Pretrainings zu mildern.
Diese Studie schlägt ein erklärbares, label-effizientes maschinelles Lernframework unter Verwendung von CatBoost und semi-überwachtem Lernen vor, um Kontaktkonfigurationen in seilgetriebenen kontinuierlichen Robotern für die minimalinvasive Chirurgie präzise zu erkennen, wobei eine hohe Leistung mit begrenzten gelabelten Daten erzielt und die Normalkraft als kritisches Merkmal für sicherere Steuerungsstrategien identifiziert wird.
Dieses Paper präsentiert ein KI-gestütztes Profiling-Modell innerhalb einer Cyber-Range-Umgebung, das die Leistung der Lernenden kontinuierlich evaluiert, um automatisiertes, personalisiertes Feedback und adaptive Lernpfade zu generieren, wodurch zentrale Herausforderungen hinsichtlich Skalierbarkeit und Personalisierung in der Cybersicherheitsausbildung adressiert werden.
Dieses Paper schlägt ein leichtgewichtiges, Echtzeit-semantisches Frontend vor, das eine periodische Instanzsegmentierung mit einer registrierungsgesteuerten Gauß-Mapping-Pipeline integriert, um dynamische Objekte effektiv zu entfernen und die Robustheit von RGB-D SLAM in dynamischen Umgebungen zu verbessern.
Diese Studie präsentiert LV-YOLO, ein zweistufiges Deep-Learning-Framework, das MobileNetV3 für das globale Screening und ein optimiertes YOLOv11-Modell mit neuartigen Attention- und Upsampling-Modulen kombiniert, welches die lymphovaskuläre Invasion in Ganzschnittbildern von Magenkrebs effektiv und präzise detektiert, um Pathologen bei der klinischen Risikostratifizierung zu unterstützen.
Diese Arbeit zeigt auf, dass ein unüberwachtes Framework, welches Merkmale eines eingefrorenen 2D-Vision-Foundation-Modells nutzt, bei der Anwendung auf kanonische Tiefendarstellungen von LiDAR-Baumkronen die einzelnen Baumarten kohärenter organisiert als sowohl handgefertigte geometrische Deskriptoren als auch eingefrorene 3D-Foundation-Modelle, während es die Erfassungsquelle streng kontrolliert, um die Überlegenheit vortrainierter visueller Repräsentationen gegenüber nativer 3D-Geometrie in diesem Bereich zu validieren.
SpectralMLP führt ein neuartiges Hypergraph-Neural-Network-Framework ein, das die traditionelle Aggregation durch einen effizienten, ohne Message-Passing funktionierenden Dual-Frequenz-Spektralfiltermechanismus unter Verwendung lernbarer Jacobi-Polynom-Basen ersetzt und dabei eine State-of-the-Art-Leistung über mehrere Benchmarks hinweg erzielt, während es eine geringere Parameteranzahl als die meisten bestehenden Methoden beibehält.
Diese Studie präsentiert einen kontrollierten Benchmark zum Vergleich von rein sequenziellen, bildbasierten (GAF), hybriden und statistischen Modellen zur Anomalieerkennung im Haushaltsstromverbrauch und stellt fest, dass die direkte zeitliche Modellierung (Raw 1D-CNN) unter synthetischen Perturbationsprotokollen andere Ansätze übertraf, während gleichzeitig die Notwendigkeit einer vorsichtigen Interpretation aufgrund des Ein-Haushalt-Umfangs des Datensatzes und des Fehlens von realen Fehlerannotationen betont wird.