3895 Arbeiten
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.
Dieses Paper schlägt FOIN vor, eine neuartige föderierte Multi-Organoid-Intelligenz-Architektur, die kombinatorische Graphmodellierung, neuromorphes Computing und Blockchain nutzt, um ein sicheres, energieeffizientes und datenschutzwahrendes kollaboratives Lernen zwischen verteilten Gehirn-Organoiden zu ermöglichen, wobei eine hohe Genauigkeit bei gleichzeitig signifikanter Reduzierung der Rechenkosten im Vergleich zu traditionellen zentralisierten Systemen erreicht wird.
Das Papier schlägt Cross-Modality Enhanced Distillation (C-MED) vor, ein Framework, das multimodales EEG-Gesichts-Wissen mittels kontrastiver Ausrichtung und bilinearer Interaktion auf ein einsetzbares EEG-basiertes Student-Modell überträgt und dadurch eine robuste, subjektunabhängige Emotionserkennung auf den SEED-VII- und DEAP-Benchmarks erreicht, ohne dass während der Inferenz synchronisierte Gesichtsdaten erforderlich sind.
Dieses Paper schlägt EM-S3WD vor, ein dynamisches Ensemble-Framework, das Nachbarschafts-Rough-Sets mit sequenziellen Drei-Wege-Entscheidungen und einer bedingten dynamischen Integrationsstrategie kombiniert, um die Einschränkungen durch feste Referenz-Tupel und binäre Randbedingungen im ursprünglichen Modell von Xu et al. zu überwinden und dadurch eine adaptive sowie wettbewerbsfähige Multi-Klassen-Klassifikationsleistung zu erreichen.