2305 Arbeiten
Dieses Paper präsentiert HoneyMed, ein protokollbewusstes Honeypot-Framework für IoMT-Netzwerke, das medizinische Dienste simuliert, um Angriffe in Echtzeit mittels maschinellem Lernen zu erfassen und zu klassifizieren, wobei eine Genauigkeit von 98,50 % mit Random Forest erreicht wird, während gleichzeitig Blockchain-bereite Beweise generiert werden, ohne produktive Ressourcen zu gefährden.
Dieses Paper schlägt ein trainingsfreies, interpretierbares Framework vor, das kriteriengeleitetes Prompting und In-Context-Learning mit LLMs nutzt, um die Alzheimer-Krankheit aus manuell transkribierter Sprache zu detektieren, wobei es eine State-of-the-Art-Performance auf dem ADReSS 2020 Benchmark erzielt und gleichzeitig eine kritische Abhängigkeit von hochwertigen manuellen Transkriptionen hervorhebt.
Dieses Paper schlägt ein Multi-Experten-messungsbewusstes Lernframework vor, das mehrere Expertenannotationen und eine spezialisierte Verlustfunktion nutzt, um gleichzeitig die Genauigkeit der Segmentierung des Carotis-Intima-Media-Komplexes und die Präzision der Millimeter-Skala-Dickenquantifizierung in Ultraschallbildern zu verbessern und dadurch die Auswirkungen der Inter-Rater-Variabilität effektiv zu mildern.
Dieses Paper stellt XGNN-ID vor, ein erklärbares Graph Neural Network Framework, das ein neuartiges Selective Validation-Weighted Ensemble mit NodeImport Gating (SVW-NG) integriert, um Klassenungleichgewichte effektiv zu adressieren und die Interpretierbarkeit des Modells über verschiedene Graph-Datensätze hinweg zu verbessern.
Diese Studie schlägt ein einheitliches, auf NLP basierendes Framework für das Human Resource Management vor, das Recruiting, Sentiment-Analyse und Kommunikationstools integriert, um die Effizienz und Entscheidungsfindung zu verbessern, während es gleichzeitig signifikante Herausforderungen in Bezug auf Datenschutz, algorithmische Voreingenommenheit und Systemskalierbarkeit berücksichtigt.
Dieses Paper schlägt ein neuartiges multimodales Deep-Learning-Framework vor, das EEG-, Wearable-physiologische und Verhaltensdaten durch ein Cross-Modal-Attention-System und adaptive Personalisierung integriert, um eine hochgenaue, frühzeitige Epilepsieanfall-Vorhersage mit reduzierten Fehlalarmen zu erreichen.
Dieses Paper schlägt ein hybrides MCN-MVT-Framework vor, das Capsule Networks und Vision Transformer kombiniert, um eine hochpräzise, interpretierbare Früherkennung der Alzheimer-Krankheit zu erreichen, validiert durch überlegene Leistungsmetriken und LIME-basierte Erklärungen auf MRT-Daten.
Das Papier stellt STDN-GEN vor, ein automatisiertes System, das Large-Language-Model-Agenten und ein kuratiertes Vokabular nutzt, um schnell auditierbare, vierstufige kritische Materiallieferkettennetzwerke zu synthetisieren, wodurch die Reproduzierbarkeit und Effizienz im Vergleich zur manuellen Kartierung signifikant verbessert wird, während gleichzeitig eine hohe Genauigkeit bei der Identifizierung von Komponenten und Produktionsabhängigkeiten erreicht wird.
XTrust-Chain ist ein mehrschichtiges Intrusion-Detection-Framework, das Ensemble-Klassifikatoren mit einer kalibrierten Vertrauensmetrik und einem kryptografisch gesicherten Audit-Trail kombiniert, um eine hochkonfidente automatisierte Entscheidungsfindung zu ermöglichen und gleichzeitig eine unveränderliche Verifizierung von Alarmen über mehrere Benchmark-Datensätze hinweg zu gewährleisten.
Dieses Paper stellt die Closure-Guided Optimization (CGO) vor, ein Framework zur Handhabung von Nebenbedingungen, das die Feasibility Closure Complexity (FCC) nutzt, um strukturelle Reparaturkosten zu minimieren, wobei es dessen Wirksamkeit in Szenarien demonstriert, in denen Verletzungsrankings von der tatsächlichen Reparaturkomplexität abweichen, während gleichzeitig eingeräumt wird, dass es keinen universellen Vorteil gegenüber bestehenden Methoden darstellt.