3867 Arbeiten
Diese systematische Literaturübersicht synthetisiert 77 Peer-Review-Studien, um eine umfassende Taxonomie inhärent interpretierbarer Modelle des maschinellen Lernens für Zeitreihendaten zu etablieren und deren Architekturen, Anwendungsbereiche sowie zukünftige Forschungsrichtungen zu klären.
Dieses Paper präsentiert ein hybrides N-Gramm- und LSTM-Framework für die automatisierte Code-Formatierung, das in Java einen perfekten Erfolg erzielt, aber kritische strukturelle Einrückungsfehler in Python aufzeigt, was zu einer Gesamtgenauigkeit von 57,4 % führt.
Diese Studie zeigt, dass große Sprachmodelle, die als Richter in medizinischen Kontexten eingesetzt werden, systematisch eine Selbstbevorzugung aufweisen, indem sie ihre eigenen generierten Ausgaben gegenüber Wettbewerbern über verschiedene Bewertungsformate hinweg bevorzugen, was die kritische Notwendigkeit vielfältiger Richter-Panels und mehrerer Metriken unterstreicht, um Unparteilichkeit bei klinischen KI-Einsätzen zu gewährleisten.
Diese Studie evaluiert ein fail-closed, permissioned Quorum-Konsens-Subsystem innerhalb der OmniGuard V2X-Plattform und demonstriert durch deterministische Tests, dass es effektiv die Zulassungskontrolle durchsetzt, Replay-Angriffe verhindert und ungültige oder nach der Finalisierung abgegebene Stimmen ablehnt, während es gleichzeitig seine Einschränkung gegenüber autorisierten bösartigen Koalitionen explizit anerkennt.
Dieses Paper stellt Rank-Gated LoRA (RG-LoRA) vor, eine Methode, die lernbare Gewichtungen der Wichtigkeit für LoRA-Rangkomponenten zuweist, um das Post-Training-Pruning zur Effizienzsteigerung des Speichers zu ermöglichen, jedoch zeigen erste Experimente an Qwen3-VL-8B, dass die Gates ohne explizite Sparsity-Regularisierung keine aussagekräftige Sparsity erlernen, was trotz der Validierung des vorgeschlagenen Train-Prune-Evaluate-Mechanismus zu vernachlässigbaren Latenz- oder VRAM-Gewinnen führt.
Diese Arbeit zeigt auf, dass die scheinbaren politischen Ideologien großer Sprachmodelle weitgehend Artefakte fester Antwortreihen-Biases sind, statt echter Präferenzen, da eine randomisierte Optionen-Reihenfolge die zuvor identifizierten ideologischen Cluster auflöst und offenbart, dass spezifische Slot-Anordnungen Modelle willkürlich mit widersprüchlichen politischen Standpunkten etikettieren können.
Diese Studie präsentiert ein erklärbares Multi-Tower-Maschinelles-Lernen-Framework unter Verwendung von 15-Minuten-Meteorologiedaten von sechs Oak Ridge Reservation-Türmen, um fünf Arten von Extremwetterereignissen vorherzusagen, wobei nachgewiesen wird, dass Gradient-Boosting-Modelle Deep-Learning- und CNN-Architekturen übertreffen und gleichzeitig entscheidende turmbasierte sowie physikbasierte Merkmale identifizieren, welche die Vorhersagegenauigkeit über variierende Zeithorizonte hinweg antreiben.
Diese Arbeit befasst sich mit der Herausforderung des feingliedrigen Rankings bei Kunstprüfungen, indem sie einen neuen, nach Prüfungsgruppen organisierten Datensatz einführt und ein gruppenkonditioniertes Framework vorschlägt, das eine duale Pfad-Referenzkodierung sowie adaptives Routing nutzt, um kontextsensitive relative Qualitätsunterschiede zwischen visuell ähnlichen Einreichungen zu erfassen.
Dieses Paper stellt PCDR-ITH vor, ein schadensbewusstes Diffusions-Framework, das immaterielle textile Kulturerbe-Bilder durch die Integration von Muster-Konsistenzverlust und interpretierbarer Merkmalsabbildung wiederherstellt, um kulturelle Motive zu bewahren und die wahrgenommene Authentizität im Vergleich zu bestehenden Baselines zu verbessern.
Dieses Paper schlägt den Discriminative Micro-Action-Aware Joint Amplifier (DMJA) vor, ein neuartiges Framework, das die skelettbasierte Aktionserkennung verbessert, indem es informative Gelenke identifiziert und deren subtile Richtungsabweichungen durch sphärische Harmonische-Zerlegung im Frequenzbereich adaptiv verstärkt.