3895 Arbeiten
Dieses Paper schlägt „Cardio Fusion“ vor, eine dual-stream-regularisierte Deep-Learning-Architektur, die eine optimierte tabellarische Datenverarbeitung mit Bildgebungs-/EKG-Analysen integriert, um eine robuste, generalisierbare Vorhersage kardiovaskulärer Erkrankungen über diverse und heterogene klinische Datensätze hinweg zu erreichen.
Dieses Paper schlägt eine geschichtete Cybersicherheits-Gewährleistungsarchitektur für autonome Deep-Space-Multi-Agenten-Systeme vor und evaluiert diese, welche maschinenverifizierbare Evidenz, Provenienz und dynamisches Reputationsmanagement nutzt, um die Integrität und Vertrauenswürdigkeit KI-generierter wissenschaftlicher Behauptungen in Abwesenheit menschlicher Echtzeit-Aufsicht zu gewährleisten.
Dieses Paper präsentiert UAS-OS, eine neuartige Steuerungsebene auf Betriebssystemebene, die autonome KI-Workloads durch Agent Control Blocks und Zero-Copy-Speichermanagement steuert und dabei eine robuste Intent-Kontrolle sowie Fehlertrennung mit einem Overhead von unter 50 Mikrosekunden erreicht, was für Echtzeit-Umgebungen in missionskritischen Bereichen geeignet ist.
Dieses Paper schlägt ein multidimensionales kollaboratives Erweiterungsframework für YOLOv5 vor, das LAB-Raum-CLAHE, eine hochauflösende P2-Detektionsschicht mit Varifocal Loss sowie deformierbare Konvolution mit Channel Attention integriert, um die Herausforderungen durch schlechte Lichtverhältnisse, kleine Zielobjekte und geometrische Deformationen in der industriellen visuellen Inspektion effektiv zu adressieren und dabei eine überlegene Leistung gegenüber gängigen Detektoren auf einem spezialisierten Sackdatensatz zu erzielen.
Dieses Paper schlägt DBDNet vor, ein Dual-Branch-Decoupling-Netzwerk, das die Wavelet-Transformation und einen frequenzbasierten physikalischen Prior nutzt, um effektiv die modalitätsgeteilten niederfrequenten Hintergründe von den modalitätsspezifischen hochfrequenten Details zu trennen und dadurch eine Spitzenleistung bei der Multi-Modalitäts-Bildfusion und der nachgeschalteten Objekterkennung zu erzielen.
DeepCork ist ein zweistufiges Deep-Learning-Framework, das einen auf ResNet152 basierenden binären Klassifikator mit einem YOLO-basierten Detektor kombiniert, um eine hochpräzise Echtzeit-Defektinspektion von natürlichen Korken zu erreichen, während es gleichzeitig die Lokalisierungsgenauigkeit, Latenzbeschränkungen und prädiktive Unsicherheit in der industriellen Fertigung effektiv ausbalanciert.
BioPretext ist ein neuartiges multimodales selbstüberwachtes Lernframework, das geometrische Bildgebung und sequentielle biologische Signale durch kreuzmodale Ausrichtung und dynamische Fusion vereinigt, um die Extraktion orthopädischer Merkmale und die Leistung bei nachgelagerten Aufgaben zu verbessern.
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.