3865 Arbeiten
Dieses Paper präsentiert ein neuartiges Echtzeit-akustisches Keylogging-System, das ein faltendes neuronales Netzwerk nutzt, welches auf Log-Mel-Spektrogrammen trainiert wurde, um eine hochgenaue Tastaturanschlag-Inferenz mit geringer Latenz (0,35 Sekunden) und robuster Leistung selbst unter Bedingungen begrenzter Trainingsdaten zu erreichen.
Diese Studie stellt ein robustes Echtzeit-Framework für die altersübergreifende Erkennung der Kannada-Gebärdensprache vor, das eine kurvilineare geometrische Merkmalsextraktion mit einer hybriden CNN-LSTM-Architektur integriert und dabei eine Genauigkeit von 94,6 % auf einem neu zusammengestellten Datensatz aus 5.000 annotierten Proben erreicht, um eine effektive Gebärden-zu-Text-Übersetzung für die assistive Kommunikation zu erleichtern.
Dieses Paper führt MAT-3 ein, einen beschränkten, nicht-expansiven Prä-Inferenz-Operator, der das affektive Verhalten von Sprachmodellen durch gemittelte Projektionen auf eine lokale, durch Kovarianz definierte affine Menge steuert und dabei Sicherheitsmechanismen für selektive Enthaltung integriert, obgleich dessen praktische Wirksamkeit bei nachgelagerten Sprachmodellen noch empirisch validiert werden muss.
Dieses Paper schlägt einen Dynamic Adaptive Fusion Transformer (DAF-Transformer) vor, der die Vorhersage von null-inflatierten, intermittierenden Ersatzteilbedarfen in eine Auftretenswahrscheinlichkeit und eine bedingte Größenabschätzung zerlegt und dabei einen dynamischen adaptiven Fusionsmechanismus nutzt, um Vorhersagefehler signifikant zu reduzieren und fälschlich positive Vorhersagen während der Null-Nachfrage-Perioden zu unterdrücken.
Dieses Paper schlägt ein Weighted Sparse Matrix Regression (WSMR)-Modell vor, das strukturelle und distanzbasierte Informationen integriert, um kontinuierliche Okklusion bei der Gesichtserkennung effektiv zu handhaben, wobei das Alternating Direction Method of Multipliers (ADMM) zur Optimierung eingesetzt wird und die überlegene Leistung durch Experimente auf öffentlichen Datenbanken nachgewiesen wird.
Dieses Paper schlägt ein auf CKKS basierendes Framework für homogenes föderiertes Lernen vor, das eine datenschutzwahrende Krankheitsvorhersage über mehrere Krankenhäuser hinweg ermöglicht, indem es Modellaktualisierungen verschlüsselt, um Membership Inference Attacks zu verhindern, wobei diese erhöhte Sicherheit auf Kosten eines erheblichen Kommunikationsaufwands und einer im Vergleich zu Plaintext-Ansätzen reduzierten Vorhersagegüte geht.
Dieses Paper schlägt ein labelfreies geometrisches Diagnoseverfahren vor und validiert dieses, welches den Winkel zwischen Domänen-Unterräumen und klassendisriminativen Richtungen nutzt, um vorherzusagen, wann das Entfernen domänenspezifischer Informationen die Out-of-Distribution-Seed-Klassifizierung verbessern wird, insbesondere unter schweren Deployment-Shifts, bei denen traditionelle Auswahlmethoden versagen.
Diese Studie ergab, dass die EduQubit-Lernumgebung, welche die Exploration durch geführte Missionen strukturiert, das konzeptionelle Verständnis von Quantencomputing bei Sechstklässlern im Vergleich zum IBM Quantum Composer signifikant verbesserte, obwohl sie keine signifikanten Unterschiede bei der Selbstwirksamkeit, der Arbeitsbelastung oder der Nutzererfahrung aufwies.
Dieses Paper schlägt ein KI-gestütztes Framework vor, das maschinelle Lernklassifizierung mit einer ADMM-LASSO-Optimierung integriert, um die Resilienz, die Lastverteilung und die Ressourceneffizienz von Enterprise-Instant-Messaging-Systemen unter dynamischen Bedingungen zu verbessern.
Dieses Paper schlägt ein Closed-Loop-V2X-Sicherheits- und Energieallokations-Framework vor, das ein auf MTCNN-LSTM basierendes mehrstufiges Vertrauensbewertungsmodell integriert, um eine hochgenaue Multi-Attack-Erkennung zu erreichen und den Batterieverbrauch in Smart-Grid-gestützten Elektrofahrzeugnetzwerken zu optimieren.