3878 Arbeiten
Dieses Paper präsentiert ein robustes, semantisch bewusstes multimodales Phishing-Erkennungs-Framework, das URL-, Text- und visuelle Merkmale mit kalibrierter Konfidenz und adversarialem Training fusioniert, um unimodale Baselines unter Beibehaltung hoher Genauigkeit und Zuverlässigkeit gegenüber täuschenden Angriffen signifikant zu übertreffen.
Dieser Artikel präsentiert eine artefaktbasierte Fallstudie von AgentGuard AI v2.4.0, einem Forschungsprototyp, der Laufzeit-Risikoerkennungs- und Kontrollmechanismen für KI-Agenten operationalisiert, während er dessen Nutzen als inspizierbares Governance-Instrument hervorhebt und spezifische Reproduzierbarkeitsdefekte identifiziert, die Ansprüche auf Produktionseffektivität ausschließen.
Dieses Papier präsentiert eine gehirnähnliche, selbstorganisierende Hardware-Architektur, die elektrochemische Mechanismen nutzt, um durch die Koevolution von struktureller Dynamik und funktionaler Konnektivität In-Materia-Lernen und -Speichern zu ermöglichen und dadurch verkörperte Intelligenz mittels adaptiver dendritischer Memristor-Netzwerke zu erreichen.
Dieses Papier präsentiert ein Framework für die EEG-basierte Erkennung von imaginierter Handschrift, das einen eingefrorenen fachübergreifenden neuronalen Encoder mit einem leichtgewichtigen, zielspezifischen Klassifikator und einem konfidenzbasierten Trie-Decoder kombiniert, um eine schnelle Personalisierung, hohe Wortrekonstruktionsgenauigkeit sowie eine latenzarme, energieeffiziente Leistung auf Edge-Geräten zu erreichen.
Diese reproduzierbare Multi-Datensatz-Evaluierung zeigt, dass adaptives Feature-Group-Masking einfache, nicht-adaptive Korruptionsstrategien zur Verbesserung der Robustheit gegenüber Feature-Set-Shifts nicht signifikant übertrifft, was darauf hindeutet, dass abgestimmte Kontrollen und Datensatz-Ebene-Inferenz kritischer sind als komplexe Adaptionsmechanismen für diese Aufgabe.
Dieses Paper schlägt ein geschlossenes, datengesteuertes Framework vor, das Process Mining, komplexe Netzwerkanalyse, erklärbare maschinelle Lernverfahren und Digital-Twin-Simulation integriert, um die Wertstromanalyse zu automatisieren und zukünftige Zielzustandsentwürfe quantitativ zu optimieren, wobei signifikante Reduzierungen der Durchlaufzeit, des Umlaufvermögens und der Defekte in realen Fertigungsszenarien nachgewiesen werden.
Dieses Papier schlägt ein robustes Framework zur Entdeckung der Steuergleichungen fraktionaler dynamischer Systeme aus verrauschten Daten vor, indem es ein Deep Operator Network (DeepONet) zur präzisen Schätzung fraktionaler Ableitungen mit einem Ensemble aus Sparse Identification of Nonlinear Dynamics (SINDy) für die spärliche Regression integriert, wobei eine überlegene Genauigkeit und Generalisierung im Vergleich zu klassischen Finite-Differenzen-Methoden und Standard-Neuronalen-Netzen demonstriert wird.
Diese Studie zeigt, dass die Verwendung eines kleinen Validierungsbudgets zur Auswahl einer kompakten Textrepräsentation (speziell einer Kombination aus TF-IDF und SVD) für E-Commerce-Empfehlungstasks die Rechenkosten um bis zu 90 % senken kann, während die Testleistung vergleichbar mit einer Auswahl mit vollem Budget bleibt, sofern der Kandidatenpool angemessen eingeschränkt ist.
Diese Studie zeigt, dass die Durchsetzung expliziter Anforderungen an die Zulassung von Evidenz bei der Beantwortung klinischer Fragen die Routen-Rankings und Latenzmetriken signifikant verändert und gleichzeitig Fehler bei der Validität materieller Evidenz reduziert, was die Notwendigkeit standardisierter Zulassungsregeln in klinischen Latenz-Benchmarks hervorhebt.
Dieses Paper schlägt ein zweischichtiges Framework vor, das das Neuranking von Kandidatenbeweisen (CAPE) und die risikobewusste Antwortauswahl (CTA/EBC) umfasst, um die Evidenzzuweisung und die Antwortwahl in der Multi-Hop-Retrieval-Augmented Generation zu optimieren, wodurch die Recall- und F1-Scores gegenüber bestehenden Baselines wie SAG, RRF und Majority Voting signifikant verbessert werden.